AdvLIM-LD: кросс-задаковая физическая адверсариальная атака на системы обнаружения дорожной разметки с помощью модуляции освещения светодиодами
AdvLIM-LD: Toward Cross-Task Physical Adversarial Attack via LED Illumination Modulation for Lane Detection Systems
2025-08-18
SCID: 54.1/7p4vnc4e
Discuss with AI
модуляция освещения светодиодамипереносимость между задачамисистемы обнаружения полос движенияфизическая состязательная атакаэффект построчного затвора
Figures from the paper
Abstract (AI)
Надежность и устойчивость обнаружения дорожной разметки играют ключевую роль в практическом внедрении систем автономного вождения. Несмотря на то что предыдущие исследования показали, что адверсариальные примеры могут негативно влиять на модели обнаружения дорожной разметки и приводить к ошибкам обнаружения, большинство существующих адверсариальных атак предназначено для воздействия на модели обнаружения дорожной разметки, решающие одну задачу глубокого обучения. Для решения этой проблемы мы предлагаем кросс-задаковую физическую адверсариальную атаку на системы обнаружения дорожной разметки с помощью модуляции освещения светодиодами (AdvLIM-LD), разработанную на основе анализа общих механизмов отклика критических признаков моделей обнаружения дорожной разметки различных типов. Сначала в методе вводится модуль CFD для оценки влияния адверсариальных примеров на критические признаки, вносящие вклад в решение различных задач. Затем для внедрения незаметных адверсариальных возмущений в процессе получения изображения используются широтно-импульсная модуляция светодиодов и эффект построчного затвора комплементарного металлооксидного полупроводникового (CMOS) датчика изображения. Наконец, переносимость адверсариальных примеров между задачами повышается путем совместной оптимизации двойной целевой функции, состоящей из потерь по критическим признакам и потерь точности выходных данных модели. В цифровом моделировании адверсариальные примеры, сгенерированные AdvLIM-LD, вызвали среднее снижение точности обнаружения на 74,64% для моделей обнаружения дорожной разметки, представляющих различные типы задач, включая модель сегментации SCNN, детектор LaneATT на основе якорей, модель аппроксимации кривых LSTR и модель обнаружения ключевых точек GANet. Для кросс-задаковых атак среднее снижение точности достигло 55,37%. Эксперименты в физических условиях дополнительно подтвердили эффективность AdvLIM-LD, продемонстрировав его способность снижать среднюю точность обнаружения исходных моделей более чем на 80%.
Key Findings
1
Модуль CFD оценивает воздействие состязательных примеров на критические признаки, общие для моделей обнаружения полос с различными постановками задач.
2
AdvLIM-LD представляет межзадачную физическую состязательную атаку на системы обнаружения полос с использованием модуляции светодиодного освещения.
3
Межзадачные атаки достигли среднего снижения точности на 55,37%, а физические эксперименты снизили точность исходных моделей более чем на 80%.
4
В цифровом моделировании метод обеспечил среднее снижение точности на 74,64% для моделей SCNN, LaneATT, LSTR и GANet.
5
Модуляция ширины импульса светодиодов в сочетании с эффектом построчного затвора CMOS внедряет незаметные возмущения при захвате изображения.
Research Object
Системы обнаружения дорожной разметки и их модели глубокого обучения в условиях физического состязательного воздействия с помощью LED-освещения
Research Subject
Уязвимость к межзадачным атакам и снижение точности обнаружения под воздействием незаметных состязательных возмущений, модулируемых LED-освещением, для моделей сегментации, якорного обнаружения, аппроксимации кривых и обнаружения ключевых точек
Publication Details
Publication Date
2025-08-18
Journal
Publisher
ISSN
Cited by
1
Access Type
Author Information
Download PDF
Subscribe to digest