交通标志识别的对抗攻击:综述
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
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
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
本文介绍 DARTS(Deceiving Autonomous caRs with Toxic Signs)攻击,该攻击将有毒交通标志引入自动驾驶车辆的交通标志识别系统,包括 Out-of-Distribution 攻击和 Lenticular Printing 攻击,并在虚拟和实际世界中进行评估。结果表明,在黑盒和白盒威胁模型下,Out-of-Distribution 攻击可以优于 In-Distribution 攻击对抗对抗性训练防御。
Feb, 2018
基于归纳逻辑编程的方法用于自动驾驶汽车中的停止标志检测,在面对对抗攻击时表现更稳健,能够高效准确地检测出目标停止标志,同时需求训练数据较少和具备全面解释性。
Aug, 2023
本文提出了一种系统的流程来逆置真实世界物体探测器的健壮身体对抗性,通过扩展图像变换的分布,设计各种攻击向量和考虑各种不同的环境因素,生成的物理例外能够有效地欺骗 YOLO v5 基于 TSR 系统的其他最新物体探测器,并做出了基于图像预处理、AEs 检测和模型增强三种防御机制的讨论。
Jan, 2022
本研究提出了一种声控实时交通标志识别系统,使用了卷积神经网络进行交通标志的检测和识别,并通过语音信息来向驾驶员表达交通标志的内容。该系统的优势在于能够检测并向驾驶员传达交通标志的信息,即使驾驶员未能看到或理解。这种类型的系统也对自动驾驶汽车的发展非常重要。
Apr, 2024
在交通运输不断演进的背景下,汽车的普及使道路交通更加复杂,需要先进的视觉辅助技术来提高安全性和导航能力。本文提出了一种基于卷积神经网络的创新方法,实现了接近 96% 的准确率,突出了通过高级定位技术可以实现更高的精度,这不仅对交通标志识别技术的持续发展有所贡献,也强调了这些发展对道路安全和自动驾驶的未来的关键性影响。
Mar, 2024
本文揭示了基于 LiDAR 的自动驾驶检测系统的潜在漏洞,并通过 LiDAR-Adv 的优化方法生成逃避 LiDAR 检测系统的对抗性物体,并在百度 Apollo 自动驾驶平台上测试和 3D 打印这些物体以证明实际世界中的存在性。
Jul, 2019
本文针对自主驾驶感知任务中的多任务视觉感知深度网络,进行了细致的对抗攻击研究,并提出了简单的防御方法。实验考虑了针对性和非针对性的白盒和黑盒攻击,以及在攻击一个任务时检查对其他任务的影响,同时还检查了应用简单防御方法的效果。最后通过对实验结果进行比较和讨论,提出了一些结论和未来研究方向。
Jul, 2021