量子计算支持的对抗鲁棒自动驾驶车 perception 模块：用于交通标志分类
机器学习
2025-04-18 v1 人工智能
密码学与安全
计算机视觉与模式识别
新兴技术
摘要
基于深度学习（DL）的图像分类模型是自动驾驶车（AV）感知模块的关键组件，因为错误的分类可能导致严重后果。对抗攻击是广泛研究的网络攻击，可能导致DL模型预测不准确，例如自动驾驶车感知模块错误分类交通标志。在本研究中，我们创建并比较了混合经典-量子深度学习（HCQ-DL）模型和经典深度学习（C-DL）模型，以演示其在感知模块中对对抗攻击的鲁棒性。在将模型输入量子系统之前，我们使用迁移学习模型（AlexNet和VGG-16）作为特征提取器。我们测试了超过1000个量子电路进行投射梯度下降（PGD）、快速梯度符号攻击（FGSA）和梯度攻击（GA），这是三种广为人知的无目标对抗方法。我们评估了所有模型在对抗攻击和无攻击情景下的性能。我们的HCQ-DL模型在无攻击情景下保持准确率在95%以上，在GA和FGSA攻击下保持准确率在91%以上，这高于C-DL模型。在PGD攻击下，我们的AlexNet基的HCQ-DL模型保持95%的准确率，而C-DL模型的准确率低于21%。我们的结果表明，HCQ-DL模型在对抗设置下提供的交通标志分类准确率高于其经典对手。
引用
@article{arxiv.2504.12644,
title = {Quantum Computing Supported Adversarial Attack-Resilient Autonomous Vehicle Perception Module for Traffic Sign Classification},
author = {Reek Majumder and Mashrur Chowdhury and Sakib Mahmud Khan and Zadid Khan and Fahim Ahmad and Frank Ngeni and Gurcan Comert and Judith Mwakalonge and Dimitra Michalaka},
journal= {arXiv preprint arXiv:2504.12644},
year = {2025}
}