时间：2026-01-17 分类：发表攻略
【火箭军工程大学导弹工程学院】蔡伟团队在《系统工程与电子技术》发表论文《基于数据增强的车辆鲁棒对抗纹理生成》。该研究针对现有物理对抗攻击方法鲁棒性不足、泛化性欠缺、数字与物理域攻击效果差距大等问题，提出一种白盒车辆对抗纹理生成方法，通过数据增强、贝叶斯优化权重等技术，显著提升攻击成功率并降低模型精确率，为车辆对抗攻击研究提供新路径。
随着深度学习在计算机视觉领域的广泛应用，目标检测技术成为自动驾驶等场景的核心支撑，但对抗攻击的存在给系统安全性带来挑战。传统物理对抗攻击多依赖平面补丁，易受视角变化影响，攻击效果受限。蔡伟团队聚焦车辆这一关键目标，创新设计全覆盖对抗伪装纹理生成框架。
该方法通过两项核心数据增强策略提升鲁棒性：一是在训练集中添加不同亮度和对比度的图像，模拟光线变化;二是在每代训练后为纹理添加高斯噪声、椒盐噪声和高斯模糊，还原现实成像干扰。同时，团队引入贝叶斯优化算法，自动优化对抗损失、平滑损失和正则化损失的权重配比，结合重新定义的分类损失函数，引导模型向分类错误方向优化。针对数据集掩码与渲染图像不重合的问题，采用Telea算法修复图像，缩小数字仿真与现实拍摄的差距。
实验结果显示，该算法在数字域测试中平均攻击成功率达53.3%，在DETR模型上更是达到87.1%;物理域测试中平均攻击成功率为34.9%，均优于现有FCA、DAS等主流算法。消融实验验证了贝叶斯权重设置与分类损失项对攻击性能的关键作用，生成的对抗纹理具备跨模型迁移能力，可有效攻击YOLOv5、YOLOv9、Faster R-CNN等多种主流检测模型。
该研究不仅解决了物理对抗攻击在现实场景中的鲁棒性难题，也为提升目标检测系统的抗攻击能力提供了重要参考。未来团队将进一步优化纹理的隐蔽性，探索更高效的数字域到物理域转化机制，推动对抗攻击与防御技术的协同发展。
