对抗伪装在俯视影像中的弱点

机器学习对于分析不断增长的俯视影像语料库日益关键。先进的计算机视觉目标检测技术在从卫星和无人机影像中识别舰船、汽车和飞机等感兴趣目标方面已取得巨大成功。然而，依赖计算机视觉也带来了显著的脆弱性，即目标检测算法易受对抗攻击的影响。本文探讨了在俯视影像背景下对抗伪装的有效性与缺陷。尽管近期许多论文已证明利用对抗补丁能够可靠地欺骗深度学习分类器和目标检测器，但这些工作大多在相对单一的数据集上执行，且仅针对单一类别的目标。在本工作中，我们利用具有广泛视角和目标尺寸范围的 VisDrone 数据集，探索了四种不同的目标类别：公共汽车、小汽车、卡车、厢式货车。我们构建了一个包含 24 个对抗补丁的库来伪装这些目标，并在补丁中引入了透明度变量。补丁的透明度（或 alpha 值）与其有效性高度相关。此外，我们表明，虽然对抗补丁可能欺骗目标检测器，但此类补丁的存在往往很容易被发现，补丁的平均可检测性比其旨在隐藏的目标高出 24%。这引发了此类补丁是否真正构成伪装的问题。源代码可在 https://github.com/IQTLabs/camolo 获取。