无人机目标检测环境匹配攻击

May, 2024

Environmental Matching Attack Against Unmanned Aerial Vehicles Object Detection

Dehong Kong, Siyuan Liang, Wenqi Ren

TL;DR通过改进现有的算法，提出了一种环境匹配攻击 (EMA) 方法来优化对色彩的限制，以更好地匹配环境，并在无人机领域达到几乎相同的攻击性能，超越了基线方法的物理特定场景，并在可视化和颜色差异方面具有显著的优势。

Abstract

object detection techniques for unmanned aerial vehicles (UAVs) rely on Deep Neural Networks (DNNs), which are vulnerable to adversarial attacks<

object detection unmanned aerial vehicles deep neural networks adversarial attacks environmental matching attack

发现论文，激发创造

针对无人机目标检测的模型无关防御对抗性补丁攻击

这篇论文提出了一种针对无人机物体检测中的敌对补丁攻击的新型模型无关防御机制，将对抗性补丁防御问题形式化为遮挡消除任务，通过中性化感兴趣对象上的对抗性补丁来改善无人机物体检测的可靠性。

May, 2024

EVD4UAV: 无人机避开车辆检测的高度敏感基准

本研究提出了一种新的数据集 EVD4UAV，用于高度敏感的无人机中对车辆进行检测，包含多样的高度、车辆属性和详细的标注信息，并实施了基于白盒和黑盒的补丁攻击方法来攻击三种典型的深度神经网络目标检测器，实验结果表明这些攻击方法无法实现稳定的高度无关的攻击性能。

Mar, 2024

飞行对抗性贴片：操纵基于深度学习自主多旋翼的行为

通过将图像装载到另一个飞行机器人上，将对多旋翼机器人进行全面控制的飞行对抗性补丁放置在其视野中，对自主飞行机器人进行深度学习模型攻击的研究。

May, 2023

利用优化的飞行对抗贴片绑架基于深度学习的多旋翼机

通过引入攻击者机器人和基于深度学习模型的对抗性贴片，我们扩展了自主飞行机器人系统为一个对抗性多机器人系统，比较了三种方法来优化多个对抗性贴片及其在输入图像中的位置，同时展示了具有两个机器人的物理飞行实验，通过计算的对抗性贴片来劫持原本应该跟随人类的机器人。

Aug, 2023

MVPatch：物理世界中针对目标检测器的更生动伪装攻击

提出了一种新颖的方法，名为 MVPatch，旨在提高对抗性贴片的转移性和隐蔽性，避免易于识别和传输性差的问题。该方法通过使用集成攻击损失函数来降低多个对象检测器的对象置信度分数，从而增强对抗性贴片的转移性，同时使用 CSS 损失函数实现轻量级的视觉相似度测量算法，使得生成的对抗性贴片具有更加自然和隐蔽的外观。广泛的实验表明，与类似算法相比，所提出的 MVPatch 算法在数字和实际领域中都实现了更强的攻击转移性，并展现出更加自然的外观。这些发现强调了所提出的 MVPatch 攻击算法的显著隐蔽性和转移性。

Dec, 2023

提高目标检测和分类 AI 模型对抗性贴纸攻击的鲁棒性

我们分析了攻击技术并提出了一种强大的防御方法，通过利用对象的形状、纹理和位置，成功降低了 20% 以上的模型置信度。利用修复预处理技术，有效地恢复了原始的置信水平，展示了强大防御在减轻这些威胁中的重要性。我们的修复防御方法在仿真像素化的基于补丁的物理对抗攻击中显著提高了模型的韧性，实现了高精度和可靠的定位，尽管受到了对抗性攻击。这项工作推动了对抗挑战中对象检测和分类网络的韧性和可靠性的发展，并为关键应用提供了强大的基础。

Mar, 2024

从扩散到混淆：基于扩散模型的自然敌对图案生成用于目标检测

提出一种基于扩散模型的新型自然对抗贴片生成方法，通过从模型中预训练的自然图片中抽样生成高质量的自然对抗贴片，达到了更好的质量和更自然的对抗贴片的生成效果。

Jul, 2023

DAP: 一种用于规避人物检测器的动态对抗贴纸

本文提出了一种新颖的方法来生成自然的对抗性补丁，该方法不使用 GANs 并通过引入相似度指标构建相似度损失来重新定义优化问题，从而提高实际应用中的攻击效率和鲁棒性。该技术基于直接修改补丁中的像素值，可灵活地同时纳入多种变换。加入 “Creases Transformation”（CT）模块来增加对服装和物体姿态中的各种真实世界扭曲的鲁棒性，并在现场部署的智能相机的 YOLOv3tiny 检测器中展现出了优越的攻击成功率。

May, 2023

用于逃避物体检测模型的动态对抗贴片

该研究使用动态对抗性贴片攻击实际场景下的对象检测器，并通过生成考虑目标物品与分类之间的语义距离的贴片方法进行优化，成功地在广阔的视角范围内将 YOLOv2 对象检测器误导了 90％，并在不同汽车模型之间成功误导检测器 71％。

Oct, 2020

生成逼真的对抗补丁

深度神经网络容易受到各种类型的对抗性样本的攻击，并且现有的对抗性修补方法通常生成的修补具有无意义的噪声或图案，本研究旨在生成真实视觉效果的对抗性修补以欺骗深度神经网络。通过在真实图像的邻域内限制修补的位置，优化位置的不相关性，并采用总变差损失和伽马变换以保留信息，生成的对抗性修补具有卓越的攻击性能，并且可以伪装成物理世界中的涂鸦或标志来欺骗深度模型，给深度神经网络应用带来重大威胁。

Dec, 2023