.png){kind=icon}
返回
Robust Object Detection Under Adversarial Patch Attacks in Vision-Based Navigation
.png){kind=icon}
OA
AI
DOI：10.3390/automation6030044.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在视觉引导的自主机器人中，目标检测器在感知环境以进行路径规划和决策方面发挥着关键作用。然而，自适应对抗性补丁攻击破坏了基于检测器的系统的鲁棒性。增强目标检测器以抵抗此类自适应攻击可提高导航系统的鲁棒性。现有的针对补丁攻击的防御方法主要针对静态场景设计，难以应对在动态环境中尺度、位置和方向均发生变化的自适应补丁攻击。本文介绍了Ad_YOLO+，一种高效且有效的插件，扩展了Ad_YOLO以防御白盒基于图像的补丁攻击。Ad_YOLO+基于YOLOv5x构建，并增加了一个补丁检测层，在专门构建的对抗数据集（COCO-Visdrone-2019）上进行训练。与依赖冗余图像预处理的传统方法不同，我们的方法直接检测对抗性补丁及其覆盖的目标。在对抗训练数据集上的实验表明，Ad_YOLO+提高了可证明的鲁棒性和干净准确率。Ad_YOLO+在COCO数据集上实现了85.4%的top-1干净准确率，并在COCO-VisDrone-2019数据集上针对图像上任意位置的像素方块补丁实现了74.63%的top-1可证明鲁棒准确率。此外，在AirSim模拟的自适应攻击下，Ad_YOLO+降低了攻击成功率，确保了在动态和静态场景下的跟踪鲁棒性。此外，它还能很好地泛化到其他补丁检测权重配置。
Keyword:
patch-enabled image attack
adversarial robustness
object detection model
vision-based object tracking
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
A
IF:
2
论文数:
138
被引数:
158
机构
暂无机构信息
引用论文
Jujutsu: A Two-stage Defense against Adversarial Patch Attacks on Deep Neural Networks咒术：一种针对深度神经网络对抗样本贴纸攻击的两阶段防御方法
OAAI
OAAI分享收藏Jam traffic pattern of a multi-phase lattice hydrodynamic model integrating a continuous self-stabilizing control protocol to boycott the malicious cyber-attacks多相位格网流体动力学模型中集成连续自稳定控制协议以抵制恶意网络攻击的交通拥堵模式
PREAI
分享收藏Advances in Adversarial Attacks and Defenses in Computer Vision: A Survey计算机视觉中对抗性攻击和防御的进展: 综述.png)
IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Enhancing robustness of person detection: A universal defense filter against adversarial patch attacks增强人员检测的鲁棒性: 针对对抗性补丁攻击的通用防御过滤器COMPUTERS & SECURITY
COMPUTERS & SECURITYIF5.4
PREAI
分享收藏
查看更多内容