Jan, 2024

隐形反射：利用红外激光反射定位交通标识感知

PDF
TL;DR使用无滤波图像传感器和红外激光反射的物理攻击方式，研究了对连通自动驾驶车辆的交通标志感知系统进行的攻击，在室内和移动车辆场景中分别实现了 100% 和超过 80.5% 的攻击成功率，并提出了基于红外激光反射物理特性的检测策略，能够检测 96% 的攻击。
connected autonomous vehiclestraffic sign recognitionilr attackblack-box optimizationir laser reflections
发现论文，激发创造
  • 红外对抗汽车贴纸

    基于 3D 建模提出一种物理攻击方法，设计了一组红外对抗贴纸，使汽车在不同视角、距离和场景下对红外探测器实现隐形，成功率为 91.49%。

    May, 2024

  • 可解释且可信的交通标志检测技术：基于归纳逻辑编程的自主驾驶方法

    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

  • 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

  • 红外光下对人脸识别的实际攻击

    本文探讨如何用红外线对面部识别系统进行攻击，从而绕过或误导系统。作者通过算法设计出对抗性样本，该攻击方式在降低被发现的同时能够高度模仿目标受害者，通过面部识别系统。攻击者可以通过此攻击逃脱监视摄像头和骗过面部认证系统，而这样的攻击方式对于人眼是看不见的。该研究揭示了红外对抗性样本对面部识别安全的潜在威胁。

    Mar, 2018

  • DARTS：用有毒标志欺骗自动驾驶汽车

    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

  • 自动驾驶中基于 LiDAR 的感知遭受对抗性传感器攻击

    本文对自动驾驶汽车中基于 LiDAR 传感器的感知系统进行了首次安全研究，将 LiDAR 欺骗攻击作为威胁模型，并探索了机器学习模型欺骗攻击的可能性，提出了优化方法和算法，同时讨论了针对自动驾驶汽车感知系统、传感器和机器学习模型的防御方向。

    Jul, 2019

  • 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

  • 自动驾驶中基于 LiDAR 的感知的鲁棒性：普遍的黑匣子对抗传感器攻击及对策

    该论文通过第一次研究探索了当前利用 LiDAR 技术的自动驾驶系统的漏洞，并提出了 CARLO 和 SVF 两种方法用于检测和减轻 LiDAR 攻击，其中 SVF 进一步降低了攻击成功率。

    Jun, 2020

  • 利用快门扫描效应制造不可见扰动的物理对抗样本

    我们提出了一种方法，生成了对人类眼睛不可见的物理对抗样本。我们使用改变照射目标物体的光的方式，而不是通过贴纸或彩色物体来生成对抗样本，我们探究了如何使用红外光或者 LED 对图像实现攻击目标，实验中所得到的结果表明该方法具有较高的准确度。

    Nov, 2020

  • 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