安全交通标志识别：基于注意力机制的通用图像填充机制抵御光斑攻击

交通标志识别系统在帮助驾驶员作出明智决策方面发挥着关键作用。然而，由于这些系统高度依赖深度学习技术，特别是对于未来的连接型和自动驾驶汽车，尤其是对于未来的连接型和自动驾驶汽车，这些系统容易受到对个人和公共交通安全构成重大风险的对抗性攻击。值得注意的是，研究人员最近识别出一种新的攻击向量来欺骗标志识别系统：将设计良好的对抗性光斑投射到交通标志上。与传统的对抗性贴纸或涂鸦相比，这些新兴的光斑具有更高的攻击性，因为它们易于实施且隐蔽性更突出。为了有效应对这一安全威胁，我们提出了一种通用图像填充机制，称为SafeSign。它依赖于注意力启用多视图图像融合来修复被对抗性光斑污染的交通标志，从而确保准确的标志识别。首先，我们探讨了恶意光斑对真实交通标志局部和全局特征空间的根本性影响。然后，我们设计一种基于二进制掩码的U-Net图像生成管道，输出多样化的污染标志模式，以提供所需的训练数据给我们的图像填充模型。随后，我们开发了一种注意力机制启用神经网络，以充分利用来自多视图图像的互补信息来修复受污染的标志。最后，在广泛的实验中评估了SafeSign抵抗潜在光斑基准攻击的效果，三个广泛使用的标志识别模型中的平均准确率提高了54.8%。