TACO：针对卡车的对抗性伪装优化以欺骗目标检测器
计算机视觉与模式识别
2025-04-14 v2 人工智能
机器学习
摘要
对抗性攻击威胁着机器学习模型在自动驾驶汽车和防御系统等关键应用中的可靠性。随着目标检测器因YOLOv8等模型而变得更加鲁棒，开发有效的对抗性方法变得越来越具有挑战性。我们提出了卡车对抗性伪装优化 (TACO)，这是一个新颖的框架，可在3D车辆模型上生成对抗性伪装图案，以欺骗最先进的目标检测器。TACO采用虚幻引擎5，将可微渲染与照片级真实感渲染网络相结合，以优化针对YOLOv8的对抗性纹理。为了确保生成的纹理既能有效欺骗检测器，又在视觉上合理，我们引入了卷积平滑损失函数，这是一种广义平滑损失函数。实验评估表明，TACO显著降低了YOLOv8的检测性能，在未见过的测试数据上实现了0.0099的[email protected]。此外，这些对抗性图案表现出对其它目标检测模型（如Faster R-CNN和早期YOLO版本）的强迁移性。
引用
@article{arxiv.2410.21443,
title = {TACO: Adversarial Camouflage Optimization on Trucks to Fool Object Detectors},
author = {Adonisz Dimitriu and Tamás Michaletzky and Viktor Remeli},
journal= {arXiv preprint arXiv:2410.21443},
year = {2025}
}
备注
This version matches the final published version in Big Data and Cognitive Computing (MDPI). Please cite the journal version when referencing this work (doi: https://doi.org/10.3390/bdcc9030072)