摘要
随着无人机技术和计算机视觉的发展，一系列计算机视觉算法与无人机进行融合，给生活和军事领域带来了巨大的便利。无人机通过搭载摄像机和计算机视觉算法，在空中以高精度、高效率的方式执行各种视觉相关任务。然而，无人机与计算机视觉算法的结合，在提供便利的同时也带来了一定的威胁。敌方可以在无人机上搭载一套高性能的目标检测算法对地面上的重要目标进行实时检测和跟踪，进行情报的收集。为了避免敌方通过无人机检测到重要的地面目标，传统的隐藏方法是使用伪装网去覆盖重要目标，隐藏目标的特征，但是，这样的伪装方法具有一定的不足。对于飞机和舰船这样的大型重要目标，想要制作能够完全覆盖它们的伪装网，不仅制作方法复杂、制作成本高，而且伪装后仍然可能显示出其自身的轮廓结构，从而让重要目标被检测出来。 因此，为了缓解无人机和计算机视觉算法的结合带来的威胁，实现重要目标的伪装，本文对无人机场景下的目标检测器的对抗攻击进行研究。分别对数字空间和物理世界下的目标检测器的对抗攻击技术进行研究，通过对抗攻击技术生成对抗补丁或者对抗纹理来隐藏重要目标的决策特征，实现重要目标的伪装。本文的主要研究成果和贡献如下: (1)当前的攻击方法忽略无人机影像中目标的尺度变化，容易造成对抗补丁和目标尺寸不匹配的情况。本研究面向数字空间提出了基于尺寸自适应的目标检测器对抗攻击方法，其在实现对抗攻击的过程中，能够根据目标的尺寸来自适应的调整对抗补丁的尺寸，使得无论是大目标还是小目标，对抗补丁都能产生攻击效果且不会将目标完全覆盖。实验表明，该方法在三个数据集和三个检测模型上都展现了不错的攻击效果和对抗迁移能力，三个数据集上平均降低30.77％的平均精度。比相关攻击方法还具有优异的性能，平均多降低19.17％的平均精度。 (2)为在物理世界下实现视角自由的对抗攻击，当前的攻击方法生成覆盖目标全身的对抗纹理，虽然能产生不错的攻击效果，但因攻击策略不稳定，对抗纹理容易产生噪音固化的现象，从而减弱对抗攻击的能力。本研究提出了基于对比学习的目标检测器对抗攻击方法,通过对比学习策略来生成对抗纹理替换目标的原始纹理，使得摄像机在各个角度下都能捕获到精心设计的对抗扰动。该方法将目标检测的对抗攻击过程与对比学习进行结合，将正常特征考虑为负样本，背景特征考虑为正样本，被攻击类别目标的特征考虑为锚样本。通过对比损失将被攻击类别目标的特征与背景特征之间的距离拉近，推远其与正常特征之间的距离，最终实现目标检测器的对抗攻击。实验表明,该方法在多个场景下都展现了不错的攻击效果和对抗迁移能力，能够在不同拍摄距离和拍摄角度下对目标进行有效伪装，降低目标检测器52.1％的平均精度。 (3)为缓解当前物理世界下的对抗攻击方法生成的对抗纹理尺寸不合理问题，实现既只用生成尺寸较小的对抗纹理，同时又可以实现视角自由的对抗攻击，而且生成的对抗纹理具有很好的扩展性，本研究提出了基于语义合理性的目标检测器对抗攻击方法。该方法在被攻击目标的身上放置一个与目标具有语义相关性的小部件，通过对这个小部件的纹理进行修改来实现目标的伪装，从而实现视角自由的对抗攻击。实验表明，该方法在多个场景和多种目标检测器模型下都展现了不错的攻击效果和对抗迁移能力，能够对目标进行有效伪装，平均降低目标检测器40.65％的平均精度。
NETL