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
Yi Ping Lin, You Hua Jiang, Yuqiao Luo, Junbin Fang, Yixuan Shen, Yiyi Liao, Zoe L. Jiang, Yudong Wang, Zewei Yang, Hezhong Pan, Yinglong Liao
2025-08-18

модуляция освещения светодиодамипереносимость между задачамисистемы обнаружения полос движенияфизическая состязательная атакаэффект построчного затвора
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%.
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.

Системы обнаружения дорожной разметки и их модели глубокого обучения в условиях физического состязательного воздействия с помощью LED-освещения

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
Authors
Yi Ping Lin
You Hua Jiang
Yuqiao Luo
Junbin Fang
Yixuan Shen
Yiyi Liao
Zoe L. Jiang
Yudong Wang
Zewei Yang
Hezhong Pan
Yinglong Liao
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%