Akademik tədqiqatlar, aydın dil

Verianla | Akademik Araştırmalardan Türkçe Ekonomi ve Bilim İçerikleri

18 noyabr 2026, çərşənbə
VERİANLA Müstəqil elmi yayımçılıq
Menyunu açın və ya bağlayın
...
Home / Tətbiqi Elmlər / Mühəndislik / MEC-Patch: Daxili Material Emissivlik Qanunlarına Əsaslanan Görünən–İnfraqırmızı Çarpaz-Modal Adversarial Hücum
Mühəndislik

MEC-Patch: Daxili Material Emissivlik Qanunlarına Əsaslanan Görünən–İnfraqırmızı Çarpaz-Modal Adversarial Hücum

MEC-Patch (Material Emissivity Controlled Patch), görünən işıq (RGB) və uzun dalğalı infraqırmızı (Long-Wave Infrared, LWIR) təsvirlərindən birlikdə istifadə edən çoxmodallı obyekt aşkarlama sistemlərinin adversarial dayanıqlığını qiymətləndirmək üçün materialların emissivlik, yəni istilik şüalanma əmsalı kimi daxili fiziki xassələrindən istifadə edən fizika ilə məhdudlaşdırılmış çarpaz-modal adversarial hücum çərçivəsidir.

17/11/2026  Veri Anla  112 baxış
MEC-Patch: Daxili Material Emissivlik Qanunlarına Əsaslanan Görünən–İnfraqırmızı Çarpaz-Modal Adversarial Hücum

MEC-Patch (Material Emissivity Controlled Patch), görünən işıq (RGB) və uzun dalğalı infraqırmızı (Long-Wave Infrared, LWIR) təsvirlərindən birlikdə istifadə edən çoxmodallı obyekt aşkarlama sistemlərinin adversarial dayanıqlığını qiymətləndirmək üçün materialların emissivlik, yəni istilik şüalanma əmsalı kimi daxili fiziki xassələrindən istifadə edən fizika ilə məhdudlaşdırılmış çarpaz-modal adversarial hücum çərçivəsidir. Tədqiqat infraqırmızı perturbation-u yalnız süni piksel intensivliyi və ya dəyişən səth temperaturu ilə modelləşdirmək əvəzinə Stefan–Boltzmann Qanunu vasitəsilə material emissivliyini istilik şüalanması ilə əlaqələndirir; mövqe, forma və diskret material seçimlərini bir genotype daxilində kodlaşdırır; bu diskret və qeyri-xətti axtarış fəzasını NSGA-II ilə optimallaşdırır və müxtəlif mühit şəraitində ümumiləşdirilə bilməni artırmaq üçün Dynamic Adversarial Resampling (DAR) strategiyasından istifadə edir. Nəticələr DroneVehicle, LLVIP və VisDrone verilənlər dəstlərində çoxsaylı görünən–infraqırmızı detector ilə güclü ASR dəyərləri göstərir; lakin qiymətləndirmə fiziki cəhətdən məhdudlaşdırılmış yüksək dəqiqlikli simulyasiyalara əsaslanır və real nəqliyyat mühitində hazırlanmış patch-lərlə geniş sahə yoxlaması aparılmayıb.

Tədqiqatın çıxış nöqtəsi görünən və infraqırmızı sensorların eyni fiziki obyekti fərqli elektromaqnit mexanizmlərlə təsvir etməsidir. RGB kamera səthin görünən işığı necə əks etdirməsindən və mühit işıqlandırmasından güclü şəkildə asılıdır. LWIR kamera isə obyektin istilik şüalanmasını aşkar edir; bu şüalanma səth temperaturu ilə yanaşı materialın emissivliyi \(\epsilon\) ilə müəyyən olunur. Əvvəlki bəzi çarpaz-modal adversarial tədqiqatlar infraqırmızı görünüşü qızdırma, soyutma və ya müvəqqəti temperatur paylanmaları ilə dəyişməyə çalışarkən MEC-Patch temperatur kimi mühit təsirləri ilə asan dəyişən vəziyyət dəyişəni əvəzinə materialın daha daxili xüsusiyyəti olan emissivlikdən istifadə etməyi hədəfləyir.

Tədqiqatın istifadə etdiyi əsas fizika:

\[ j=\epsilon\sigma T^4 \]

Stefan–Boltzmann əlaqəsidir. Burada \(j\) səthdən yayılan ümumi radiant gücün vahid sahəyə düşən miqdarı, \(\epsilon\) ölçüsüz emissivlik, \(\sigma\approx5.67\times10^{-8}\,\mathrm{W/(m^2K^4)}\) Stefan–Boltzmann sabiti və \(T\) Kelvin ilə ifadə olunan mütləq temperaturdur. Mənbənin fərziyyəsinə görə eyni temperatur dəyişikliyi müəyyən emissivlik paylanmasındakı bütün sahələrin istilik siqnalını ortaq şəkildə miqyaslandırarkən, fərqli emissivlik dəyərlərinin nisbi kontrastı qoruna bilər. MEC-Patch bu nisbi kontrastın mühit temperaturu dəyişmələrinə qarşı müvəqqəti temperatur əsaslı perturbation-lardan daha sabit ola bilməsi fikrindən istifadə edir.

Bu fiziki əlaqə hücum patch-ini təkbaşına müəyyən etmir. Patch-in hədəf üzərindəki mövqeyi, xarici həndəsəsi və daxilindəki material paylanması birlikdə optimallaşdırılır. Tədqiqatçılar bu parametrləri \(g=[g_{\mathrm{pos}},g_{\mathrm{sha}},g_{\mathrm{mat}}]\) şəklində birləşdirilmiş genotype ilə təmsil edirlər. \(g_{\mathrm{pos}}\) patch mərkəzinin hədəf bounding box daxilində normallaşdırılmış mövqeyini, \(g_{\mathrm{sha}}\) həndəsi formanı və \(g_{\mathrm{mat}}\) diskret material identifikatorlarını təmsil edir.

Material seçimi diskret olduğuna və görünən/infraqırmızı rendering prosesi güclü qeyri-xətti quruluş yaratdığına görə tədqiqat klassik gradient descent əvəzinə Non-dominated Sorting Genetic Algorithm II (NSGA-II) istifadə edir. Eyni vaxtda üç hədəf qiymətləndirilir: hücum uğuru, vizual gizlilik və patch sahəsi. DAR mexanizmi asan və çətin mühitləri sabit ehtimalla nümunələmək əvəzinə detector-un hələ də yüksək etimadla işlədiyi çətin səhnələrə zaman keçdikcə daha çox çəki verir.

Əsas təcrübələrdə MEC-Patch DroneVehicle üzərində YOLOv3, YOLOv5, YOLOv8, YOLOv11 və Faster R-CNN üçün müvafiq olaraq %72,5, %77,7, %81,7, %73,7 və %64,1 ASR bildirir. ViSDrone üzərində uyğun dəyərlər %72,4, %72,0, %69,8, %69,0 və %77,2; LLVIP üzərində isə %80,3, %86,1, %80,8, %72,2 və %77,1-dir.

Çarpaz-model təcrübələri bir detector üzərində optimallaşdırılmış patch-in başqa arxitekturaya qismən ötürülə bildiyini göstərir. Məsələn, YOLOv11 mənbə modeli üzərində optimallaşdırılan patch Faster R-CNN üzərində %59,9 ASR əldə edir. Çoxsəhnəli simulyasiyalarda isə MEC-Patch-in beş detector üzrə ASR dəyərləri %53,5 ilə %59,0 arasında qalmışdır; RandomPatch dəyərləri təxminən %0,4–1,4, UNIAP dəyərləri isə %15,2–21,4 aralığındadır.

Ablasiya nəticələri üsulun hər üç komponentinin vacib olduğunu göstərir. YOLOv5 üçün tam MEC-Patch görünən/infraqırmızı modalitələrdə %64,2 / %76,8 ASR verərkən material genotype-u çıxarıldıqda bu dəyərlər %36,3 / %17,4-ə düşür. YOLOv11-də tam üsul %61,0 / %78,4 olduğu halda material genotype-u çıxarılanda %33,6 / %15,8 əldə olunur. Xüsusilə infraqırmızı qolda görünən böyük azalma mənbə tədqiqatın emissivlik modelləşdirməsini çarpaz-modal fiziki ardıcıllığın mərkəzi komponenti kimi şərh etməsinin əsas dayağıdır.

Bu nəticələr real avtomobillərin görünməz edildiyini və ya real avtonom sürüş sistemlərinin sahədə etibarlı şəkildə sıradan çıxarıldığını göstərmir. Mənbə işi çoxmodallı qavrayış sistemlərində təhlükəsizlik zəifliklərini üzə çıxarmağa yönəlmiş akademik təhlükəsizlik qiymətləndirməsi kimi təqdim edir. Müəlliflər istehsal dəqiqliyini, məhdud material kitabxanasını və 2B fiziki yanaşmanı açıq məhdudiyyətlər kimi bildirirlər.

MEC-Patch Nədir və Əvvəlki Çarpaz-Modal Hücumlardan Necə Fərqlənir?

MEC-Patch görünən və LWIR aşkarlama qollarına eyni fiziki patch vasitəsilə birlikdə təsir etmək məqsədilə patch-in görünən rəng/əks etdirmə xüsusiyyətləri ilə infraqırmızı emissivlik xüsusiyyətlərini ortaq material genotype-u daxilində modelləşdirən və bu genotype-u fizika ilə məhdudlaşdırılmış çoxməqsədli təkamül optimallaşdırması ilə axtaran təhlükəsizlik qiymətləndirmə üsuludur.

Niyə yalnız RGB hücumu kifayət deyil?

Visible-infrared fusion detector eyni obyekti iki fərqli sensordan görür. RGB təsvirdəki adversarial naxış yalnız görünən kameranı aldadırsa, lakin LWIR təsvirdə obyektin istilik imzası normal görünürsə, fusion şəbəkəsi ikinci modalitetdən gələn məlumatdan istifadə edərək obyekti yenə aşkarlaya bilər. Buna görə tək-modal perturbation çarpaz-modal consistency yoxlamasının verdiyi ehtiyat məlumatı aşmaya bilər.

MEC-Patch-in araşdırdığı təhlükəsizlik problemi budur: eyni fiziki səth dəyişikliyinin həm görünən, həm də infraqırmızı təsvirdə detector-un ortaq feature fusion prosesini poza bilən imza yaradıb-yaratmayacağı.

Niyə yalnız temperaturun idarə edilməsi də problem yarada bilər?

Temperatur \(T\) materialın dəyişməz identikliyi deyil. Günəş işığı, külək, atmosfer şəraiti, hədəfin öz iş rejimi və mühit temperaturu səth temperaturunu dəyişə bilər. Buna görə müəyyən qızdırma və ya soyutma sxemi ilə yaradılan istilik kontrastı başqa mühitdə eyni şəkildə qalmaya bilər.

Mənbə buna görə hücum modelinin mərkəzini temperaturdan emissivliyə keçirir. Emissivlik səthin eyni temperaturdakı ideal qara cisimlə müqayisədə nə qədər istilik şüalanması yaydığını bildirən ölçüsüz material xüsusiyyətidir.

Emissivlik Niyə MEC-Patch-in Fiziki Təməlidir?

Mənbənin modelində emissivlik \(\epsilon\), LWIR təsvirdə nisbi istilik kontrastını material identikliyi ilə əlaqələndirməyə imkan verir; sabit emissivlik paylanmasında temperaturun birlikdə dəyişməsi şüalanma səviyyəsini miqyaslandırsa da fərqli materialların nisbi emissivlik fərqləri qoruna bildiyinə görə patch-in infraqırmızı məkan naxışı temperatur əsaslı müvəqqəti perturbation-lardan daha sabit modelləşdirilə bilər.

Stefan–Boltzmann Qanunu

Mənbə Tənlik (2):

\[ j=\epsilon\cdot\sigma\cdot T^4 \tag{2} \]

Formula nəyi hesablayır? İdeallaşdırılmış modeldə səthin vahid sahəyə düşən ümumi istilik şüalanma gücünü.

\(j\): yayılan radiant güc sıxlığı; vahidi \(\mathrm{W/m^2}\)-dir.

\(\epsilon\): emissivlik; ölçüsüzdür.

\(\sigma\): Stefan–Boltzmann sabiti:

\[ \sigma\approx5.67\times10^{-8}\, \mathrm{W/(m^2K^4)} \]

\(T\): mütləq temperatur; vahidi Kelvindir.

Vahid yoxlaması:

\[ 1\times \frac{\mathrm{W}}{\mathrm{m^2K^4}} \times \mathrm{K^4} = \frac{\mathrm{W}}{\mathrm{m^2}} \]

olduğuna görə tənlik ölçülər baxımından uyğundur.

Tənlikdə temperaturun dördüncü dərəcədə olması mütləq temperaturun istilik şüalanmasına güclü qeyri-xətti təsir etdiyini göstərir. Lakin MEC-Patch-in vurğuladığı məqam ondan ibarətdir ki, müəyyən anda müxtəlif patch hüceyrələri oxşar istilik mühitini paylaşdıqda emissivlik fərqləri nisbi şüalanma kontrastını müəyyən etməyə davam edə bilər.

Bu izah tam atmosfer/səth radiativ ötürmə modeli deyil. Mənbə də mühitdən və günəşdən yaranan əks olunmaların tam radiativ ötürmədə mövcud olduğunu açıq bildirir. İstifadə olunan model tipik sürüş şəraitində \(T_{\mathrm{obj}}>T_{\mathrm{env}}\) olduqda self-emission-ın üstün olduğunu fərz edir.

LWIR təsvir intensivliyinə keçid

Mənbə istilik şüalanmasının sensorun boz-səviyyəli təsvirinə çevrilməsini:

\[ I=M\left(\epsilon_i\sigma T^4\right) \tag{4} \]

ilə tərif edir.

Burada \(I\) infraqırmızı təsvirdə rəqəmsal piksel intensivliyi; \(\epsilon_i\), \(i\)-ci materialın emissivliyi; \(M(\cdot)\) isə fiziki istilik şüalanma dəyərini sensorun rəqəmsal grayscale aralığına çevirən mapping funksiyasıdır.

Mənbə \(M(\cdot)\)-nin detallı sensor transfer funksiyasını ayrıca vermir. Buna görə Verianla mətni \(M\)-ni müəyyən kamera kalibrləmə əyrisi kimi uydurmur.

Yerli istilik tarazlığı fərziyyəsi

Rendering modeli local thermal equilibrium fərziyyəsindən istifadə edir. Mənbə bu fərziyyə altında Fresnel tənlikləri və Kirchhoff qanunu kontekstində material emissivliyinin temperaturdan yalnız zəif asılı olduğunu və modelin \(-20^\circ\mathrm{C}\) ilə \(50^\circ\mathrm{C}\) aralığında sabit kontrast fərz etdiyini bildirir.

Bu aralıq real həyatda bütün materialların emissivliyinin tamamilə dəyişməz olduğu demək deyil; modelin istifadə etdiyi fiziki iş fərziyyəsidir.

Material kitabxanasının məqsədi nədir?

Material kitabxanası görünən rəng/əks etdirmə ilə LWIR emissivliyini bir-birindən qismən ayıra bilən material seçimləri təqdim edir. Mənbə görünən spektrdə oxşar və ya tənzimlənə bilən görünüşə malik səthlərin infraqırmızı emissivlik baxımından əhəmiyyətli dərəcədə fərqli ola bilməsindən istifadə edir.

MaterialMənbə emissivliyi \(\epsilon\)Mənbə IR təsnifatı
Alüminium folqa0,04Çox soyuq
Cilalanmış oksidləşməmiş pirinç0,06Çox soyuq
Paslanmayan polad0,15Soyuq
Təbii anodlaşdırılmış Al, 5 µm0,25Soyuq
Qara anodlaşdırılmış Al, 15 µm0,55Orta-isti
Dərin qara sərt anodlaşdırılmış Al, 50 µm0,82İsti
Keramika0,84–0,86İsti
Kauçuk0,90Çox isti

Mənbədaxili say fərqi: Əsas təcrübə bölməsində material kitabxanası \(N\), “məsələn 20” təmsilçi sənaye materialı kimi tərif olunur. Supplementary Table 5 isə təcrübələrdə istifadə olunan 26 sənaye materialını sadaladığını bildirir. Bu iki ifadə mənbədə birlikdə olduğuna görə Verianla onlardan birini səssizcə digərinin yerinə qoymur.

Multimodal object detection problemi necə formullaşdırılır?

Əvvəlcədən öyrədilmiş çoxmodallı detector:

\[ f(\cdot) \]

iki qeydiyyatdan keçirilmiş təsviri giriş kimi qəbul edir:

\[ X_{\mathrm{vis}}\in\mathbb{R}^{H\times W\times3} \]

və:

\[ X_{\mathrm{ir}}\in\mathbb{R}^{H\times W}. \]

Birinci tensor RGB təsvirinin \(H\times W\) pikselə və üç rəng kanalına malik olduğunu, ikinci tensor isə LWIR təsvirinin bir intensivlik kanalı ilə təmsil edildiyini göstərir.

Mənbənin Tənlik (1)-dəki optimallaşdırma məqsədi:

\[ \min_G \mathbb{E}_{s\in S} \left[ f\left( X_{\mathrm{vis}}\oplus P(G), X_{\mathrm{ir}}\oplus P(G) \right) \right] \tag{1} \]

şəklindədir.

\(G\), patch-in həndəsi, topoloji və material parametrlərini ehtiva edən genotype; \(P(G)\), genotype-dan yaradılan patch; \(S\), səhnələrin paylanması; \(\oplus\), patch-in təsvirə məkan projection və blending əməliyyatını göstərir.

Optimallaşdırmanın məqsədi hədəf sinfə dair detector confidence-ını müxtəlif səhnələr boyunca azaltmaqdır.

Genotype niyə üç hissəyə bölünür?

Birləşdirilmiş genotype:

\[ g= [g_{\mathrm{pos}},g_{\mathrm{sha}},g_{\mathrm{mat}}] \]

kimi tərif olunur.

\(g_{\mathrm{pos}}\): mövqe geni.

\[ g_{\mathrm{pos}}=[x_{\mathrm{rel}},y_{\mathrm{rel}}] \]

normallaşdırılmış nisbi koordinatlar patch mərkəzini hədəf avtomobilin bounding box-ı daxilində tərif edir. Buna görə mövqe mütləq piksel koordinatından birbaşa asılı deyil və obyekt təsvirdə böyüyüb-kiçildikdə semantik mövqenin qorunması hədəflənir.

\(g_{\mathrm{sha}}\): forma geni. Patch-in makroskopik xarici həndəsəsini idarə edir.

\(g_{\mathrm{mat}}\): material geni. Dartboard hüceyrələrinə hansı diskret fiziki materialın təyin ediləcəyini kodlaşdırır.

Mənbə Tənlik (3) forması

Mənbə patch konturu üçün:

\[ r(\theta)= \sqrt{ (a\cos\theta)^2+ (b\sin\theta)^2 } \tag{3} \]

ifadəsini verir.

\(a\) və \(b\), mənbə tərəfindən semi-axis parameters kimi tərif olunur və dairəvi formalardan proporsional ellipsə bənzər konturlara keçidi idarə etmək üçün istifadə edilir.

Mənbəyə sədaqət qeydi: Verianla bu tənliyi məqalədə yazıldığı formada qoruyur. İfadə riyaziyyat kitablarında tez-tez istifadə olunan standart ellipsin mərkəzdən sərhədə polar radius düsturu ilə eyni deyil. Mənbə fərqli parametrik/radial tərifdən istifadə etmiş ola bilər; açıq düzəliş bəyanı olmadığından formula səssizcə dəyişdirilməyib.

Dartboard topologiyası nədir?

Patch-in daxili bölgəsi bucaq sektorlarına \(N_\theta\) və radial halqalara \(N_r\) bölünür. Hər hüceyrə ayrıca material identikliyi daşıya bilər.

Tədqiqatçılar bu quruluşdan iki səbəbdən istifadə edirlər: diskret materialların təkamül alqoritmi ilə axtarıla biləcəyi nizamlı topology təmin etmək və çox mürəkkəb sərbəst formalı kənarlar əvəzinə daha istehsal edilə bilən modul bölgələr yaratmaq.

Mənbə Şəkil 2 və supplementary Algorithm 1-in üsul əlaqələrinə əsasən Verianla üçün hazırlanmış orijinal sxem. Mənbənin patch təsviri, səhnə fotoşəkilləri və ya vizual kompozisiyası kopyalanmayıb.

NSGA-II və DAR Niyə Birlikdə İstifadə Olunur?

NSGA-II mövqe, forma və diskret material seçimlərinin yaratdığı qeyri-xətti və törəməsi olmayan axtarış fəzasında hücum uğuru, gizlilik və sahə məqsədləri arasında Pareto-uyğun həllər axtararkən; DAR qiymətləndirmə zamanı çətin mühitlərə getdikcə daha yüksək nümunələmə çəkisi verərək optimallaşdırmanın tək səhnə paylanmasına həddən artıq uyğunlaşmasını azaltmağı hədəfləyir.

Niyə gradient əsaslı optimallaşdırma əvəzinə NSGA-II?

\(g_{\mathrm{mat}}\) davamlı real ədəd vektoru deyil, diskret material identifikatorları ehtiva edir. Bir materialın digəri ilə dəyişdirilməsi davamlı və differentiable təsvir çevrilməsi yaratmaq məcburiyyətində deyil.

Mənbə buna görə NSGA-II istifadə edir. Hər evolutionary iteration-da candidate genotype population:

\[ P_t=\{g_1,\ldots,g_N\} \]

üzərində tournament selection, simulated binary crossover və polynomial mutation tətbiq olunur. Non-dominated sorting və crowding distance bir-biri ilə ziddiyyət təşkil edə bilən məqsədlər arasında tək scalar optimum əvəzinə Pareto-optimal candidate müxtəlifliyini qorumağı hədəfləyir.

Üç məqsədli fitness funksiyası

Mənbə:

\[ \Phi(g)= \left[ f_{\mathrm{atk}}(g), f_{\mathrm{stealth}}(g), f_{\mathrm{area}}(g) \right]^T \tag{5} \]

ifadəsindən istifadə edir.

\(f_{\mathrm{atk}}\): görünən və infraqırmızı qollardakı attack objective.

\(f_{\mathrm{stealth}}\): patch rəng paylanmasını arxa plana yaxınlaşdırmağa çalışan stealth objective.

\(f_{\mathrm{area}}\): həddən artıq böyük patch sahəsini cəzalandıran area objective.

İki modalitet hücumu objective-i

Mənbənin Tənlik (6)-sı:

\[ f_{\mathrm{atk}}(g) = \mathbb{E}_{s\in S} \left[ \lambda_{\mathrm{vis}} L\left( f(R_{\mathrm{vis}}(g,s)),y \right) + \lambda_{\mathrm{ir}} L\left( f(R_{\mathrm{ir}}(g,s)),y \right) \right] \tag{6} \]

şəklindədir.

\(L\), prediction loss; \(R_{\mathrm{vis}}\), görünən rendering operator; \(R_{\mathrm{ir}}\), infraqırmızı rendering operator; \(s\), DAR tərəfindən nümunələnən scene state; \(y\), hədəf ground-truth sinfi; \(\lambda_{\mathrm{vis}}\) və \(\lambda_{\mathrm{ir}}\) iki modalitetin loss çəkiləridir.

Mənbə \(\lambda_{\mathrm{vis}}\) və \(\lambda_{\mathrm{ir}}\) üçün burada ayrıca ədədi dəyər bildirmir. Onların bərabər olduğu fərz edilməyib.

DAR hücum edilməsi çətin səhnəni necə müəyyən edir?

Bir səhnə üçün attack error:

\[ e_s^t = 1- \frac{1}{M} \sum_{j=1}^{M} \operatorname{conf} (x_j\oplus P) \tag{7} \]

ilə hesablanır.

\(\operatorname{conf}(\cdot)\), detector-un hədəf sinfə verdiyi confidence score-dur. Mənbənin tərifində aşağı \(e_s^t\), detector-un hədəfi hələ də yüksək confidence ilə aşkarladığı və buna görə hücum baxımından daha çətin səhnə deməkdir.

Scene weight yenilənməsi:

\[ w_s^{t+1} = \alpha w_s^t + (1-\alpha) \frac{ \exp(1-e_s^t) }{ \sum_{i=1}^{S} \exp(1-e_i^t) } \tag{8} \]

şəklindədir.

\(\alpha\) momentum smoothing factor-dur və təcrübədə:

\[ \alpha=0.9 \]

istifadə olunub.

Aşağı attack error üçün \(1-e_s^t\) böyüyür; exponential termin böyüdüyünə görə müvafiq scene weight yüksəlir. Buna görə sonrakı nəsillərdə optimizer detector-un hələ də yaxşı işlədiyi çətin səhnələrlə daha tez-tez qarşılaşır.

DAR convergence nəticəsi

Supplementary analiz uniform sampling-in erkən mərhələdə plateau-ya yaxınlaşdığını, DAR population-ının başlanğıcda çətin nümunələrə fokuslandığı üçün daha aşağı ASR göstərə bildiyini, lakin sonrakı nəsillərdə late-stage breakthrough yaradaraq qlobal ASR-ni təxminən 15 faiz bəndi artırdığını bildirir.

Mənbə Figure 7-nin bütün xam generation–ASR koordinatlarını cədvəl şəklində vermədiyindən Verianla bu curve-ü rəqəmsallaşdırıb saxta dəqiqliklə yenidən çəkmir.

Tədqiqatın Metodu və Nəticələri

ASR Nəticələri Real Fiziki Sahə Uğuru Deməkdirmi?

Xeyr; tədqiqatda yüksək ASR dəyərləri fiziki material xüsusiyyətləri ilə məhdudlaşdırılmış və çoxsəhnəli şəkildə yaradılmış simulyasiya mühitlərində əldə olunub, lakin real istehsal tolerantlıqları, real avtomobil səthi, tam ekoloji radiativ ötürmə və uzunmüddətli açıq sahə şəraitini əhatə edən geniş fiziki deployment təcrübəsi təqdim edilmir.

Verilənlər dəstləri

DroneVehicle: mənbə gündüzdən gecəyə qədər şəraiti əhatə edən və dəqiq registered edilmiş 28.439 UAV-view görünən–infraqırmızı təsvir cütü ehtiva etdiyini bildirir.

LLVIP: zəif işıqda pedestrian detection-a yönələn və görünən/LWIR təsvirlər arasında dəqiq spatial alignment təmin edən verilənlər dəstidir.

VisDrone: mürəkkəb fonları və müxtəlif ölçülü obyektləri ehtiva edən genişmiqyaslı UAV benchmark-ıdır. Mənbə təcrübə sazlamalarını əvvəlki CDUPatch işini izləyərək qurduğunu bildirir.

Victim detector-lar

  • YOLOv3
  • YOLOv5
  • YOLOv8
  • YOLOv11
  • Faster R-CNN

İlk dörd model one-stage detector sinfindədir; Faster R-CNN isə two-stage detector kimi nəzərdən keçirilib. Mənbə benign avtomobil təsvirlərində modellərin təxminən 0,9 confidence-a çatacaq şəkildə initialized və fine-tuned edildiyini bildirir.

Müqayisə üsulları

Əsas müqayisəyə dörd baseline daxil edilib:

  • RandomPatch: mövqe və texture-ın optimallaşdırılmadığı təsadüfi başlanğıc baseline-ı.
  • TOUAP: pixel-level joint loss istifadə edən dual-modal unified attack.
  • UNIAP: spatial constraint və cross-modal consistency loss istifadə edən universal patch üsulu.
  • CDUPatch: rəng əsaslı visible-infrared universal adversarial patch yanaşması.

Mənbə Hot-Cold üsulunun insan istilik imzalarına yönəlməsi, MoXAttack-in faithful reproduction üçün kifayət qədər implementation detalı verməməsi və PAIP-in UNIAP-ın sələfi olması səbəbindən əsas müqayisəni yuxarıdakı dörd üsulla məhdudlaşdırdığını bildirir.

Tətbiq parametrləri

ParametrMənbə dəyəri
FrameworkPyTorch
Detector inference təsvir ölçüsü640 × 640 piksel
NSGA-II populyasiya ölçüsü60
Maksimum generation80
DAR momentum \(\alpha\)0,9
Hər iterasiyada seçilən səhnə \(K\)5
Hər səhnəyə məkan konfiqurasiyası \(N\)3
Maksimum patch coverageHədəf bounding box-ın %30-u
Hesablama avadanlığıNVIDIA GeForce RTX 4090

ASR nədir?

Attack Success Rate (ASR), mənbədə detector-un düzgün kateqoriyanı uğurla proqnozlaşdıra bilmədiyi və bounding-box Intersection over Union (IoU) dəyərinin istifadə olunan həddən aşağı qaldığı halların nisbəti kimi tərif olunur.

IoU proqnozlaşdırılan bounding box ilə ground-truth bounding box-ın kəsişmə sahəsinin birləşmə sahəsinə nisbətidir:

\[ \mathrm{IoU} = \frac{ \text{kesişim alanı} }{ \text{birleşim alanı} } \]

Bu IoU tənliyi konseptual izahdır; mənbə ASR tərifində IoU həddinin ədədi dəyərini əsas üsul mətnində ayrıca bildirmir. Buna görə hədd uydurulmayıb.

DroneVehicle nəticələri

ÜsulYOLOv3YOLOv5YOLOv8YOLOv11Faster R-CNN
RandomPatch11,28,82,41,98,3
TOUAP31,628,221,0—25,7
UNIAP46,941,633,730,638,8
CDUPatch70,466,757,5—63,2
MEC-Patch72,577,781,773,764,1

ViSDrone nəticələri

ÜsulYOLOv3YOLOv5YOLOv8YOLOv11Faster R-CNN
RandomPatch13,710,55,64,711,1
TOUAP34,831,024,2—29,3
UNIAP49,244,937,532,942,6
CDUPatch71,868,560,3—65,6
MEC-Patch72,472,069,869,077,2

LLVIP nəticələri

ÜsulYOLOv3YOLOv5YOLOv8YOLOv11Faster R-CNN
RandomPatch16,513,99,37,414,7
TOUAP38,633,727,5—32,8
UNIAP52,047,340,338,745,2
CDUPatch73,273,163,0—68,0
MEC-Patch80,386,180,872,277,1

SSIM və LPIPS nəyi göstərir?

Mənbə yalnız attack success deyil, perturbation-ın görünən təbii görünüşünü qiymətləndirmək üçün SSIM və LPIPS ölçülərindən də istifadə edir.

SSIM (Structural Similarity Index Measure) struktur oxşarlığını ölçür; ümumi şərhdə daha yüksək dəyər daha çox oxşarlığa işarə edir.

LPIPS (Learned Perceptual Image Patch Similarity) öyrənilmiş feature fəzasında perceptual fərqi ölçür; ümumi şərhdə daha aşağı dəyər daha yüksək vizual oxşarlığa işarə edir.

ŞərtMEC-Patch SSIMUNIAP SSIMMEC-Patch LPIPSUNIAP LPIPS
DroneVehicle-Far0,9700,9520,0510,068
LLVIP-Near0,7120,6150,2030,284

Bu metriklər patch-in real insan müşahidəçisi tərəfindən “görünməz” olduğunu sübut etmir. Təsvir-oxşarlıq metrikləri ilə real fiziki nəzərə çarpmamazlıq eyni anlayış deyil.

Çarpaz-model transferability

Optimallaşdırılan mənbə modelYOLOv3YOLOv5YOLOv8YOLOv11RCNN
YOLOv372,562,060,640,652,0
YOLOv559,977,662,738,955,6
YOLOv850,760,381,736,349,4
YOLOv1152,962,257,173,659,9
Fast-RCNN58,856,762,737,864,1

Notasiya qeydi: Mənbənin əsas mətni modeli “Faster R-CNN (RCNN)” kimi adlandırdığı halda Table 2 sətir etiketi “Fast-RCNN” formasındadır. Cədvəl etiketi mənbədə olduğu kimi qorunub.

Diagonal dəyərlər optimizer-ın eyni model üzərində qiymətləndirildiyi hala; diagonal olmayan dəyərlər isə fərqli detector-a transfer halına uyğundur. Məsələn, YOLOv11 üzərində optimallaşdırılan patch-in RCNN üzərində %59,9 ASR yaratması mənbə tərəfindən black-box transferability göstəricilərindən biri kimi şərh olunur.

Çoxsəhnəli performans

ÜsulYOLOv3YOLOv5YOLOv8YOLOv11RCNN
RandomPatch1,20,80,41,01,4
UNIAP21,418,615,217,819,4
MEC-Patch56,559,058,553,555,5

Mənbə bu qiymətləndirmədə snowy field, desert və urban nightscape kimi müxtəlif simulyasiya edilmiş mühitlərdən istifadə etdiyini bildirir. MEC-Patch-in beş detector üzrə dəyərləri %53,5–59,0 aralığında qalmışdır.

Müəlliflər bu sabitliyi intrinsic material emissivity modelləşdirməsi və DAR-ın çətin mühitlərə çəki verməsi ilə əlaqələndirirlər. Bu mexanizm şərhidir; real hava şəraitində hazırlanmış fiziki patch-in eyni aralıqda ASR verəcəyinə dair birbaşa sahə ölçməsi deyil.

Ablasiya: mövqe, forma və material genləri nə qədər vacibdir?

Hədəf modelÜsulGörünən ASRİnfraqırmızı ASR
YOLOv5MEC-Patch w/o \(g_{\mathrm{pos}}\)32,418,5
YOLOv5MEC-Patch w/o \(g_{\mathrm{shp}}\)45,842,1
YOLOv5MEC-Patch w/o \(g_{\mathrm{mat}}\)36,317,4
YOLOv5MEC-Patch64,276,8
YOLOv11MEC-Patch w/o \(g_{\mathrm{pos}}\)28,715,2
YOLOv11MEC-Patch w/o \(g_{\mathrm{shp}}\)41,538,6
YOLOv11MEC-Patch w/o \(g_{\mathrm{mat}}\)33,615,8
YOLOv11MEC-Patch61,078,4

Mövqe geni: \(g_{\mathrm{pos}}\) çıxarıldıqda xüsusilə infrared ASR YOLOv5-də %18,5, YOLOv11-də %15,2-yə düşür. Mənbə bunu patch-in avtomobilin semantik baxımdan kritik bölgələrinə görə mövqeyinin vacib olduğuna sübut kimi şərh edir.

Forma/topologiya geni: Mənbənin “Dartboard” polar partition quruluşunun sabit rectangular geometry müqayisəsinə nisbətən təxminən 20–30 faiz bəndi ASR qazancı verdiyi bildirilir.

Material geni: \(g_{\mathrm{mat}}\) çıxarılıb infraqırmızı görünüş heuristic intensity fitting ilə modelləşdirildikdə infrared ASR hər iki detector üçün %18-dən aşağı düşür. Bu, mənbə müəlliflərinin emissivlik əsaslı fiziki modelləşdirməni üsulun mərkəzinə yerləşdirməsinin ən güclü ablasiya dayaqlarından biridir.

Mənbədaxili ifadə fərqi: Əsas ablasiya abzası bir yerdə “peak dual-modal ASR of 64.2% and 76.8%” ifadəsindən istifadə edir. Lakin eyni Table 4 YOLOv11 üçün tam MEC-Patch dəyərlərini %61,0 / %78,4 kimi verir. Verianla model əsaslı dəyərlərdə cədvəli olduğu kimi ötürüb və mətn–cədvəl fərqini səssizcə düzəltməyib.

Patch sahəsinə həssaslıq

Supplementary Figure 8 patch-to-vehicle area ratio-nu %10 ilə %50 arasında araşdırır. Mənbə:

  • %10 sahənin kifayət qədər adversarial təsir yaratmadığını,
  • %30 ətrafında bütün verilənlər dəstlərində ASR-nin %70-i aşdığı aydın yüksəliş görüldüyünü,
  • %50-yə yaxınlaşdıqca ASR-nin doyuma yaxınlaşdığını və LLVIP-də təxminən %100-ə yaxınlaşdığını

bildirir.

Lakin əsas təcrübə quruluşunda patch sahəsi hədəf bounding box-ın ən çox %30-u ilə məhdudlaşdırılıb. Supplementary sensitivity analizi ilə əsas təcrübə constraint-i bir-birinə qarışdırılmamalıdır.

Confidence threshold həssaslığı

Supplementary Figure 9, detection threshold \(\tau\) dəyişdikdə ASR-ni araşdırır. Mənbə \(\tau=0.3\) kimi sərt threshold altında belə yüksək ASR-nin qorunduğunu və attack-dan sonra target response-un çox vaxt təxminən 0,15–0,20-dən aşağı basdırıldığını bildirir.

Bu threshold əsas ASR tərifindəki IoU threshold ilə eyni parametr kimi qəbul edilməməlidir; mənbə bunları fərqli qiymətləndirmə kontekstlərində istifadə edir.

Mənbənin Algorithm 1 proses ardıcıllığı

  1. Mövqe, forma və material genlərindən başlanğıc population yaradılır.
  2. Dartboard hüceyrələri diskret material identifikatorları ilə kodlaşdırılır.
  3. DAR mövcud scene weights-dən istifadə edərək \(K\) səhnə seçir.
  4. Hər genotype üçün visible və infrared rendering həyata keçirilir.
  5. ASR, stealth və area objective-ləri qiymətləndirilir.
  6. DAR scene attack error-larına görə səhnə çəkilərini yeniləyir.
  7. NSGA-II non-dominated sorting, tournament selection, SBX crossover və mutation tətbiq edir.
  8. Offspring ilə mövcud population birləşdirilir.
  9. Crowding distance əsasında növbəti \(N\) candidate seçilir.
  10. Müəyyən edilmiş generation sayı sonunda attack objective baxımından seçilən genotype final patch rendering-inə çevrilir.

Qeyd: Əsas üsul mətni convergence sonunda “candidate with the highest fitness” ifadəsindən istifadə etdiyi halda supplementary Algorithm 1 final seçimi \(g^*=\arg\min f_{\mathrm{atk}}(g)\) şəklində yazır. Objective-lərin cost/loss kimi qurulması səbəbindən ikinci ifadə riyazi axınla uyğundur; lakin Verianla mənbədəki terminologiya fərqini gizlətmir.

Tədqiqatın dəstəklədiyi nəticələr

  • Emissivlik əsaslı görünən–LWIR rendering araşdırılan simulyasiya şəraitində güclü çarpaz-modal ASR yaratmışdır.
  • MEC-Patch bütün üç verilənlər dəstində və bütün sınaqdan keçirilən detector-larda RandomPatch və UNIAP-dan açıq şəkildə daha yüksək ASR əldə etmişdir.
  • Bir çox Table 1 şəraitində MEC-Patch CDUPatch-dən də daha yüksək ASR yaratmışdır.
  • Patch-lərin fərqli detector arxitekturalarına ötürülə bilən adversarial təsiri müşahidə olunmuşdur.
  • DAR, uniform sampling müqayisəsinə görə supplementary convergence analizində təxminən 15 faiz bəndi qlobal ASR artımı ilə əlaqələndirilib.
  • Mövqe, forma və material genlərinin hər biri ablasiyada performansa töhfə verib.
  • Xüsusilə material/emissivlik komponentinin çıxarılması infraqırmızı ASR-də böyük azalma yaradıb.
  • Mənbə görünən görünüş ilə LWIR emissivlik cavabının material səviyyəsində qismən ayrılmasının multimodal feature alignment-ı poza bildiyini göstərir.

Tədqiqatın dəstəkləmədiyi nəticələr

  • Real trafikdə işləyən avtonom avtomobillərin eyni nisbətlərlə aldadıla bildiyi göstərilməyib.
  • Real avtomobil üçün hazırlanıb quraşdırılmış 26 materiallı patch-in bütün təcrübələri tamamlanmayıb.
  • Simulyasiya ASR-si birbaşa real dünyada hücumun uğur ehtimalı deyil.
  • Stefan–Boltzmann əlaqəsinin təkbaşına real LWIR sensordakı bütün radiative-transfer təsirlərini tam modelləşdirdiyi göstərilməyib.
  • Emissivliyin bütün materiallarda və bütün temperatur/mühit şəraitində dəyişməz olduğu iddia edilmir.
  • VisDrone, DroneVehicle və ya LLVIP nəticələrinin başqa verilənlər dəstlərinə eyni rəqəmlərlə ümumiləşəcəyı göstərilməyib.
  • YOLO və Faster R-CNN-dən başqa bütün multimodal detector arxitekturalarına qarşı eyni transferability zəmanət verilmir.
  • Üsulun istehsal tolerantlıqlarına tamamilə həssas olmadığı göstərilməyib.
  • Patch sahəsinin böyüdülməsinin məhdudiyyətsiz fayda verdiyi göstərilməyib; supplementary analizdə doyma müşahidə olunur.
  • Bu tədqiqat real sistemləri sabotaj etmək məqsədilə təqdim edilməyib; mənbə işi akademik təhlükəsizlik qiymətləndirməsi və security-by-design inkişafı kontekstində məhdudlaşdırır.

Məhdudiyyətlər

İstehsal dəqiqliyi: Yüksək tezlikli Dartboard naxışlarının kəsilmə və birləşdirilmə dəqiqliyi real istehsal tolerantlıqlarından təsirlənə bilər.

Material kitabxanası: Supplementary bölmə mövcud 26 materiallı kitabxananın proof-of-concept üçün kifayət etdiyini, lakin exhaustive olmadığını bildirir.

2B yanaşma: Tədqiqat planar patch approximation istifadə edir. Real avtomobil səthlərinin mürəkkəb curvature-ı daha detallı 3B model tələb edir.

Radiativ model: Model local thermal equilibrium və self-emission dominance kimi fiziki fərziyyələrdən istifadə edir. Tam günəş/mühit reflection-u və mürəkkəb radiative transfer bütün detalları ilə modelləşdirilməyib.

Simulyasiya–fiziki deployment fərqi: Mənbə fiziki cəhətdən ardıcıl rendering və istehsal edilə bilən material məhdudiyyətlərindən istifadə etsə də nəticələrin mühüm hissəsi yüksək dəqiqlikli simulyasiya mühitindədir.

Gələcək tədqiqat təklifləri

Müəlliflər material kitabxanasını yeni sənaye coatings, fabrics və paints ilə genişləndirməyi; 2B planar approximation-dan real səth curvature-ını nəzərə alan yüksək dəqiqlikli 3B adversarial modelləşdirməyə keçməyi; parametric mesh deformation ilə fizika əsaslı rendering mühərriklərini birləşdirərək daha real deployment ssenariləri yaratmağı təklif edirlər.

Mənbə və Metod Qeydi

Orijinal başlıq: MEC-Patch: Visible-Infrared Cross-Modal Adversarial Attack Driven by Intrinsic Material Emissivity Laws

Müəlliflər və sıra: Zhixiang Huang; Xinbo Nie; Wenxuan Wang; Lu Yang; Xin Li; Xuelin Qian; Peng Wang.

Bərabər töhfə: Mənbədə açıq equal-contribution / co-first-author bəyanı müəyyən edilməyib.

Müəllif işarələri: PDF-nin müəllif sahəsində Wenxuan Wang yanında “*”, Xuelin Qian yanında “†” işarəsi var. Araşdırılan PDF mətnində bu iki simvolun mənasını açıq tərif edən footnote tapılmadığına görə corresponding-author və ya başqa rol fərz edilməyib.

Affiliasiya — Zhixiang Huang: Northwestern Polytechnical University, Xi’an, China.

Affiliasiya — Xinbo Nie: Northwestern Polytechnical University, Xi’an, China.

Affiliasiya — Wenxuan Wang: Northwestern Polytechnical University, Xi’an, China; Shenzhen Research Institute of Northwestern Polytechnical University, Shenzhen, China.

Affiliasiya — Lu Yang: Raytron Technology Co., Ltd, Xi’an, China.

Affiliasiya — Xin Li: City University of Hong Kong, Hong Kong, China.

Affiliasiya — Xuelin Qian: Northwestern Polytechnical University, Xi’an, China; Shenzhen Research Institute of Northwestern Polytechnical University, Shenzhen, China.

Affiliasiya — Peng Wang: Northwestern Polytechnical University, Xi’an, China.

ArXiv: arXiv:2608.05634v1 [cs.MM].

ArXiv göndərilmə tarixi: 6 Avqust 2026.

Nəşr növü: ACM Multimedia konfrans tədqiqat məruzəsi / proceedings paper.

Konfrans: 34th ACM International Conference on Multimedia (MM ’26).

Konfrans tarixləri: 10–14 Noyabr 2026.

Konfrans yeri: Rio de Janeiro, Brazil.

Nəşriyyat: Association for Computing Machinery (ACM).

DOI: 10.1145/3767308.3835147.

ISBN: 979-8-4007-2213-4/2026/11.

Resenziya statusu: Tədqiqat ACM Multimedia 2026 proceedings daxilində dərc olunmuş konfrans məqaləsidir. ACM Multimedia 2026 rəsmi qaydaları konfrans məqalələri üçün peer-review və double-blind review prosesinin tətbiq olunduğunu bildirir.

Lisenziya: Creative Commons Attribution 4.0 International License (CC BY 4.0).

Sahə: Multimodal computer vision, object detection, adversarial robustness, security and privacy.

Verilənlər dəstləri: DroneVehicle, LLVIP, VisDrone.

Victim modellər: YOLOv3, YOLOv5, YOLOv8, YOLOv11 və Faster R-CNN.

Müqayisə üsulları: RandomPatch, TOUAP, UNIAP və CDUPatch.

Əsas optimallaşdırma: Physics-constrained NSGA-II + Dynamic Adversarial Resampling (DAR).

Rendering yanaşması: Visible branch üçün materialın RGB/reflectivity xüsusiyyətləri; infrared branch üçün emissivlik əsaslı Stefan–Boltzmann thermal-radiation mapping; hədəf üzərinə TPS projection və alpha blending.

Əsas təcrübə parametrləri: 640 × 640 inference; population 60; 80 generation; DAR \(\alpha=0.9\); \(K=5\) scene; hər scene üçün \(N=3\) spatial configuration; maksimum patch coverage %30; NVIDIA GeForce RTX 4090.

Maliyyələşdirmə: National Natural Science Foundation of China (No. 62502387 və 62406252); China Postdoctoral Science Foundation (No. BX20250486 və 2025M784419); Natural Science Basic Research Program of Shaanxi (No. 2025JC-YBQN-861); Guangdong Basic and Applied Basic Research Foundation (No. 2025A1515011465 və 2025A1515010158); Postdoctoral Science Foundation of Shaanxi Province (No. 2025BSHSDZZ105).

Məlumat əlçatanlığı: Araşdırılan PDF-də ayrıca Data Availability Statement müəyyən edilməyib.

Maraqların toqquşması: Araşdırılan PDF-də ayrıca Conflict of Interest / Competing Interests bəyanı müəyyən edilməyib.

Müəllif töhfələri: Araşdırılan PDF-də CRediT və ya ayrıca Author Contributions bölməsi müəyyən edilməyib; töhfə rolları təxmin edilməyib.

Mənbədaxili material sayı fərqi: Əsas təcrübə mətni material kitabxanasını \(N\) “məsələn 20” təmsilçi material kimi tərif etdiyi halda supplementary Table 5 26 sənaye materialından istifadə olunduğunu bildirir. Bu iki ifadə mənbədə olduğu kimi qorunub.

Mənbədaxili shape-genotype notasiyası: Əsas üsulda \(g_{\mathrm{sha}}\), ablasiya bölməsində \(g_{\mathrm{shp}}\) notasiyası istifadə olunur. Mətndə anlayış “shape genotype” kimi tək mənada izah edilir; mənbədəki notasiya fərqi gizlədilməyib.

Tənlik (3) qeydi: \(r(\theta)=\sqrt{(a\cos\theta)^2+(b\sin\theta)^2}\) mənbədə verildiyi kimi qorunub; standart ellips polar formulu ilə səssizcə dəyişdirilməyib.

Ablasiya mətn–cədvəl qeydi: Mənbə izahında bir yerdə “64.2% and 76.8% peak dual-modal ASR” ifadəsi olduğu halda Table 4-də YOLOv11 üçün tam MEC-Patch dəyərləri %61,0 / %78,4-dür. Model üzrə dəyərlər cədvəldə verildiyi kimi ötürülüb.

Elmi şərh sərhədi: Mənbə MEC-Patch-i real dünya təhlükəsizlik zəifliklərini diaqnostika etməyə yönəlmiş fizika əsaslı qiymətləndirmə çərçivəsi kimi təqdim edir; əsas kəmiyyət nəticələri yüksək dəqiqlikli fizika ilə məhdudlaşdırılmış simulyasiyalardan gəlir. Geniş fiziki avtomobil/real trafik sahə doğrulaması aparılmayıb.

Etik/istifadə sərhədi: Mənbə supplementary discussion bölməsində tədqiqatın yalnız akademik araşdırma məqsədilə, multimodal perception sistemlərində potensial təhlükəsizlik zəifliklərini müəyyən etmək üçün aparıldığını və kommersiya istifadəsi üçün tətbiq edilməyəcəyini açıq bildirir.

Gələcək tədqiqat: Daha geniş material/coating/fabric/paint kitabxanası və real həndəsi curvature-ı nəzərə alan yüksək dəqiqlikli 3B adversarial modeling.


Paylaşın:

Şərhlər yoxlandıqdan sonra yayımlanır. Şərhiniz təsdiq prosesinə daxil ediləcək və uyğun hesab olunduqda görünəcək.

Şərh yazın

E-poçt ünvanınız yayımlanmayacaq. Məcburi sahələr * ilə işarələnib