站长之家（ChinaZ.com）4月15日 消息:马里兰大学帕克分校和Faceboook 人工智能研究人员开发了一种对抗模式，可以有效地降低物理和数字环境中对象检测器的性能。该技术通过覆盖物体上的特定图案来欺骗检测器，使其无法正确识别对象，类似于一个“隐形斗篷”。

本研究的主要目的是揭示对象检测器的安全漏洞。对象检测器通常用于安全监控在自动驾驶汽车和其他技术中，用于识别和定位图片中的物体。研究人员发现，这些探测器可以通过故意设计的对抗图案来欺骗，这可能会在安全和敏感的应用中造成严重的问题。

论文地址:https://arxiv.org/pdf/1910.14667.pdf

此外，研究还讨论了对抗攻击的传输，即不同探测器模型、不同对象类别和不同数据集之间的传输。研究团队解决了如何将数字对抗攻击转化为物理世界的问题，确保数字生成的对抗图案在现实世界中同样有效。

研究人员开发的特殊对抗图案可应用于物体表面，如衣服，使物体对象探测器“看不见”。该技术的主要功能包括生成对抗图案，适应各种探测器模型，并适用于物理世界。工作原理是利用机器学习技术，特别是对抗训练方法，生成可能扰乱探测器算法的图案。

对抗模式的设计、优化和实际应用是该技术方法的关键步骤。该模式是通过对抗训练生成的，目的是干扰和欺骗对象探测器。使用标准的对象检测数据集，如可可数据集，对模式进行初始化和优化。在优化过程中，需要考虑不同的尺寸、角度和照明条件，以确保该模型在各种现实世界条件下有效。

物理测试和迭代是将数字模式应用于物理对象的过程，如印刷在衣服或海报上，并在真实环境中进行测试。严格定量分析打印和材料选择、环境测试和攻击的有效性是这一阶段的重要组成部分。

这样，研究团队就可以创建一种新的防御机制，可以应用于改善个人隐私保护，也可以应用于军事和安全领域的防御自动化监控系统。同时，该技术的发展也揭示了当前对象检测技术的潜在脆弱性，为未来的研究和改进提供了重要的见解。更多的信息和论文可以在马里兰大学的相关项目网站和arxiv上找到。