May, 2023

对 Yolov5 进行交通和路标检测的对抗攻击

PDF
TL;DR本文研究并实施了流行的对抗性攻击，对 YOLOv5 目标检测算法进行了调查。研究探讨了在交通和道路标志检测的背景下，不同类型的攻击（包括 L-BFGS、FGSM、C&W，BIM，PGD，One Pixel，和通用对抗扰动攻击）对 YOLOv5 检测准确率的影响。结果表明，YOLOv5 容易受到这些攻击的影响，误分类的率随着扰动幅度的增加而增加。此外，本文使用显著性图解释了结果。该研究的发现对交通和运输系统中用于目标检测的算法的安全和可靠性具有重要的意义，强调了需要更加健壮和安全的模型以确保其在实际应用中的有效性。
adversarial attacksyolov5trafficroad signobject detection
发现论文，激发创造
  • 用 YOLO 模型和迁移学习推进道路标志检测

    本文使用了改进的 YOLOv5 和 YOLOv8 模型，在不同照明条件下检测和分类不同的道路标志，实验结果表明，两个模型在不同训练设置下都能表现良好，其中 YOLOv8 模型的 MAP50 得分略高。这些发现为寻求可靠且适应性强的物体检测应用方案的从业人员提供了宝贵的见解。

    Jun, 2024

  • MFL-YOLO: 损坏交通标志物的目标检测模型

    我们提出了基于 YOLOv5s 的改进目标检测方法 MFL-YOLO（互补特征级别损失增强 YOLO），通过设计简单的跨级别损失函数，使得模型的每个级别都具有自己的作用，有助于学习更多多样化的特征并提高细粒度。相比 YOLOv5s，我们的 MFL-YOLO 在 F1 得分和 mAP 上分别提高了 4.3 和 5.1，同时减少了 8.9% 的 FLOPs。Grad-CAM 热图可视化显示我们的模型能更好地关注损坏交通标志的局部细节。此外，我们还对 CCTSDB2021 和 TT100K 进行了实验证明我们模型的泛化性。

    Sep, 2023

  • 交通标志识别的对抗攻击：综述

    本文综述了在交通标志检测和分类模型上进行数字化或现实世界攻击的现有工作，探讨了最新发展并突出了需要进一步研究的领域。

    Jul, 2023

  • 真实交通标志变化对 YOLOv7 目标识别模型的影响

    研究交通标志改变对物体识别模型的影响，发现在不太可能的条件下暴露于修改的交通标志下，物体识别模型的准确性显著降低。这项研究强调了提高物体检测模型在现实场景中的鲁棒性的重要性，需要进一步研究来提高它们的准确性和可靠性。

    May, 2023

  • 通过以人为中心的感知机制提高自动驾驶中的对抗机器学习韧性

    该研究探讨了自动驾驶系统对物理对抗攻击（胶带、涂鸦、照明）的弹性，并通过开发和评估多个机器学习模型，对道路标志和几何形状进行了测试，结果表明迁移学习在提高道路标志分类的可泛化性方面发挥了关键作用。该研究旨在改善自动驾驶车辆中目标分类器的安全性和鲁棒性，减轻对驾驶系统的对抗性示例影响。

    Nov, 2023

  • Cycle-YOLO: 一种高效稳健的路面损害检测框架

    本文提出了一个增强的道路损伤检测方法，利用 CycleGAN 和改进的 YOLOv5 算法，通过数据增强方法、注意力机制和空洞空间金字塔池化等技术，成功实现了道路损伤的实时、准确检测，并在实际应用中取得了良好结果。

    May, 2024

  • 实时交通标志检测：圣克拉拉郊区案例研究

    该研究项目旨在开发一个实时交通标志检测系统，使用 YOLOv5 架构并在郊区社区中进行高效的交通标志识别。项目的主要目标是在多样化的交通标志图像数据集上训练 YOLOv5 模型，并在适用于实时推断的硬件平台上部署该模型。该系统利用训练有素的 YOLOv5 模型，能够从车辆内部仪表盘上的实时摄像头中检测和分类交通标志。部署系统的性能将基于其交通标志检测的准确性、实时处理速度和整体可靠性进行评估。在郊区社区的案例研究中，该系统在检测交通标志方面显示出显著的 96% 准确率。该研究的发现有潜力通过提供及时准确的实时交通标志信息来改善道路安全和交通管理，并为自动驾驶的进一步研究铺平道路。

    Oct, 2023

  • 深度神经网络在交通标志识别中的物理对抗攻击：可行性研究

    本文研究通过不同攻击方法，包括黑盒攻击，来制造可以用于在不同环境中欺骗系统的扰动，并展示可靠的物理对抗攻击可以使用不同的方法进行执行，同时也可以降低扰动的可察觉程度。该发现强调了即使在黑盒情况下，需要通过可行的方法保护 DNN 的需求，同时也为使用对抗攻击增强原始训练数据的方法提供了基础。

    Feb, 2023

  • 低质量夜晚图像中的自动招牌识别

    通过应用改进的 MIRNet 模型和 Yolov4 模型，本文解决了低光、噪声和模糊条件下交通标志识别的挑战，并在 GTSRB 数据集上获得了 96.75% 的整体 [email protected]，对于广泛类别的 GTSDB 数据集达到了 100% 的 [email protected]，与最先进的方法相当。

    Aug, 2023

  • 利用对抗交通标志欺骗真实汽车

    该研究主要关注基于神经网络算法的分类器受到对抗性图像攻击的问题，研究了在实际生产环境下分类器遭到对抗性攻击的可能性，并提供了一个验证生产等级交通标志的对抗性攻击的流程。

    Jun, 2019