MEC-Patch (Material Emissivity Controlled Patch) — көрүнүүчү жарык (RGB) жана узун толкундуу инфракызыл (Long-Wave Infrared, LWIR) сүрөттөрдү бирге колдонгон көп-модалдуу объект аныктоо системаларынын adversarial туруктуулугун баалоо үчүн материалдардын эмиссивдүүлүк, башкача айтканда жылуулук нурлануу коэффициенти сыяктуу ички физикалык касиеттерин колдонгон физикалык чектөөлөрү бар кайчылаш-модалдуу adversarial чабуул алкагы. Изилдөө инфракызыл perturbation-ды жасалма пиксел интенсивдүүлүгү же өзгөрмө беттик температура аркылуу гана моделдөөнүн ордуна Stefan–Boltzmann Мыйзамы аркылуу материалдын эмиссивдүүлүгүн жылуулук нурлануусу менен байланыштырат; жайгашуу, форма жана дискреттик материал тандоолорун бир genotype ичинде коддойт; бул дискреттик жана сызыктуу эмес издөө мейкиндигин NSGA-II менен оптималдаштырат жана ар кандай айлана-чөйрө шарттарында жалпыланууну күчөтүү үчүн Dynamic Adversarial Resampling (DAR) стратегиясын колдонот. Натыйжалар DroneVehicle, LLVIP жана VisDrone маалымат топтомдорунда көптөгөн көрүнүүчү–инфракызыл detector-лор менен күчтүү ASR маанилерин көрсөтөт; бирок баалоо физикалык жактан чектелген жогорку тактыктагы симуляцияларга негизделген жана реалдуу жол кыймылы чөйрөсүндө даярдалган patch-тер менен кеңири талаа текшерүүсү жүргүзүлгөн эмес.
Изилдөөнүн баштапкы пункту — көрүнүүчү жана инфракызыл сенсорлор бир эле физикалык объектти ар башка электромагниттик механизмдер аркылуу сүрөттөй тургандыгы. RGB камера беттин көрүнүүчү жарыкты кандай чагылдырганына жана айлана-чөйрөнүн жарыктандыруусуна катуу көз каранды. LWIR камера болсо объекттин жылуулук нурлануусун аныктайт; бул нурлануу беттик температура менен катар материалдын эмиссивдүүлүгү \(\epsilon\) аркылуу аныкталат. Мурунку айрым кайчылаш-модалдуу adversarial иштер инфракызыл көрүнүштү ысытуу, муздатуу же убактылуу температура бөлүштүрүүлөрү менен өзгөртүүгө аракет кылган болсо, MEC-Patch температура сыяктуу айлана-чөйрө таасирлеринен оңой өзгөргөн абал өзгөрмөсүнүн ордуна материалдын көбүрөөк ички касиети болгон эмиссивдүүлүктү колдонууга багытталган.
Изилдөө колдонгон негизги физика:
\[ j=\epsilon\sigma T^4 \]
Stefan–Boltzmann катышы. Бул жерде \(j\) — беттен чыккан жалпы радианттык кубаттын бирдик аянтка туура келген өлчөмү, \(\epsilon\) — өлчөмсүз эмиссивдүүлүк, \(\sigma\approx5.67\times10^{-8}\,\mathrm{W/(m^2K^4)}\) — Stefan–Boltzmann туруктуусу, ал эми \(T\) — Kelvin менен берилген абсолюттук температура. Булактын божомолу боюнча бирдей температура өзгөрүүсү белгилүү эмиссивдүүлүк бөлүштүрүүсүндөгү бардык аймактардын жылуулук сигналын бирдей масштабдаган учурда, ар башка эмиссивдүүлүк маанилеринин салыштырмалуу контрасты сакталышы мүмкүн. MEC-Patch ушул салыштырмалуу контраст айлана-чөйрө температурасынын өзгөрүүлөрүнө карата убактылуу температурага негизделген perturbation-дардан туруктуураак болушу мүмкүн деген идеяны колдонот.
Бул физикалык байланыш чабуул patch-ин өзү эле аныктабайт. Patch-тин бутадагы жайгашуусу, тышкы геометриясы жана ичиндеги материал бөлүштүрүүсү бирге оптималдаштырылат. Изилдөөчүлөр бул параметрлерди \(g=[g_{\mathrm{pos}},g_{\mathrm{sha}},g_{\mathrm{mat}}]\) түрүндөгү бириктирилген genotype менен көрсөтөт. \(g_{\mathrm{pos}}\) patch борборунун бута bounding box ичиндеги нормалдаштырылган жайгашуусун, \(g_{\mathrm{sha}}\) геометриялык форманы жана \(g_{\mathrm{mat}}\) дискреттик материал идентификаторлорун көрсөтөт.
Материал тандоосу дискреттик болгондуктан жана көрүнүүчү/инфракызыл rendering процесси күчтүү сызыктуу эмес түзүлүштү жараткандыктан, изилдөө классикалык gradient descent ордуна Non-dominated Sorting Genetic Algorithm II (NSGA-II) колдонот. Бир убакта үч максат бааланат: чабуул ийгилиги, визуалдык жашыруундук жана patch аянты. DAR механизми жеңил жана кыйын чөйрөлөрдү туруктуу ыктымалдык менен үлгүлөөнүн ордуна detector дагы эле жогорку ишеним менен иштеген кыйын көрүнүштөргө убакыт өткөн сайын көбүрөөк салмак берет.
Негизги эксперименттерде MEC-Patch DroneVehicle топтомунда YOLOv3, YOLOv5, YOLOv8, YOLOv11 жана Faster R-CNN үчүн тиешелүүлүгүнө жараша %72,5, %77,7, %81,7, %73,7 жана %64,1 ASR билдирет. ViSDrone үчүн тиешелүү маанилер %72,4, %72,0, %69,8, %69,0 жана %77,2; LLVIP үчүн болсо %80,3, %86,1, %80,8, %72,2 жана %77,1.
Кайчылаш-модель эксперименттери бир detector-до оптималдаштырылган patch башка архитектурага жарым-жартылай өткөрүлө аларын көрсөтөт. Мисалы, YOLOv11 булак моделинде оптималдаштырылган patch Faster R-CNN-де %59,9 ASR алат. Көп-көрүнүштүү симуляцияларда MEC-Patch-тин беш detector боюнча ASR маанилери %53,5 менен %59,0 аралыгында калган; RandomPatch маанилери болжол менен %0,4–1,4, UNIAP маанилери болсо %15,2–21,4 аралыгында.
Абляция натыйжалары ыкманын үч компоненти тең маанилүү экенин көрсөтөт. YOLOv5 үчүн толук MEC-Patch көрүнүүчү/инфракызыл модалдуулуктарда %64,2 / %76,8 ASR берсе, материал genotype-у алып салынганда бул маанилер %36,3 / %17,4кө түшөт. YOLOv11-де толук ыкма %61,0 / %78,4 болсо, материал genotype-у чыгарылганда %33,6 / %15,8 алынат. Айрыкча инфракызыл бутактагы чоң төмөндөө булак иш эмиссивдүүлүк моделдөөнү кайчылаш-модалдуу физикалык ырааттуулуктун борбордук компоненти катары чечмелешинин негизги таянычы.
Бул натыйжалар реалдуу транспорт каражаттары көрүнбөй калганын же реалдуу автономдуу айдоо системалары талаада ишенимдүү түрдө иштен чыгарылганын көрсөтпөйт. Булак ишти көп-модалдуу кабылдоо системаларындагы коопсуздук алсыздыктарын аныктоого багытталган академиялык коопсуздук баалоосу катары көрсөтөт. Авторлор өндүрүш тактыгын, чектелген материал китепканасын жана 2B физикалык ыкманы ачык чектөөлөр катары билдирет.
MEC-Patch Деген Эмне жана Мурунку Кайчылаш-Модалдуу Чабуулдардан Кандай Айырмаланат?
MEC-Patch көрүнүүчү жана LWIR аныктоо бутактарына бир эле физикалык patch аркылуу бирге таасир этүү үчүн patch-тин көрүнүүчү түс/чагылдыруу касиеттерин жана инфракызыл эмиссивдүүлүк касиеттерин жалпы материал genotype-у ичинде моделдеп, ошол genotype-ду физикалык чектөөлөрү бар көп-максаттуу эволюциялык оптималдаштыруу менен издеген коопсуздук баалоо ыкмасы.
Эмне үчүн RGB чабуулу гана жетиштүү эмес?
Visible-infrared fusion detector бир эле объектти эки башка сенсордон көрөт. RGB сүрөттөгү adversarial үлгү көрүнүүчү камераны гана адаштырып, LWIR сүрөттө объекттин жылуулук изи кадимкидей көрүнсө, fusion тармагы экинчи модалдуулуктан келген маалыматты колдонуп объектти кайра эле аныктай алат. Ошондуктан бир-модалдуу perturbation кайчылаш-модалдуу consistency текшерүүсү берген кошумча маалыматты жеңе албай калышы мүмкүн.
MEC-Patch изилдеген коопсуздук маселеси ушул: бир эле физикалык бет өзгөрүүсү көрүнүүчү жана инфракызыл сүрөттөрдө detector-дун жалпы feature fusion процессин буза турган белги түзө алабы.
Эмне үчүн температураны гана башкаруу да көйгөй жаратышы мүмкүн?
Температура \(T\) материалдын өзгөрбөс идентификатору эмес. Күн нуру, шамал, атмосфера шарттары, бутанын иштөө абалы жана айлана-чөйрө температурасы беттик температураны өзгөртө алат. Ошондуктан белгилүү ысытуу же муздатуу схемасы менен түзүлгөн жылуулук контрасты башка чөйрөдө ошол бойдон калбашы мүмкүн.
Булак ушул себептен чабуул моделинин борборун температурадан эмиссивдүүлүккө жылдырат. Эмиссивдүүлүк — беттин ошол эле температурадагы идеалдуу кара денеге салыштырмалуу канча жылуулук нурлануусун чыгарарын билдирген өлчөмсүз материал касиети.
Эмиссивдүүлүк Эмне Үчүн MEC-Patch-тин Физикалык Негизи?
Булактын моделинде эмиссивдүүлүк \(\epsilon\) LWIR сүрөттөгү салыштырмалуу жылуулук контрастын материал идентификатору менен байланыштырууга мүмкүндүк берет; туруктуу эмиссивдүүлүк бөлүштүрүүсүндө температуранын жалпы өзгөрүүсү нурлануу деңгээлин масштабдаса да, ар башка материалдардын салыштырмалуу эмиссивдүүлүк айырмалары сакталышы мүмкүн болгондуктан patch-тин инфракызыл мейкиндиктик үлгүсү температурага негизделген убактылуу perturbation-дарга караганда туруктуураак моделдениши мүмкүн.
Stefan–Boltzmann Мыйзамы
Булак Теңдеме (2):
\[ j=\epsilon\cdot\sigma\cdot T^4 \tag{2} \]
Формула эмнени эсептейт? Идеалдаштырылган моделде беттин бирдик аянтка туура келген жалпы жылуулук нурлануу кубатын.
\(j\): чыккан радианттык кубат тыгыздыгы; бирдиги \(\mathrm{W/m^2}\).
\(\epsilon\): эмиссивдүүлүк; өлчөмсүз.
\(\sigma\): Stefan–Boltzmann туруктуусу:
\[ \sigma\approx5.67\times10^{-8}\, \mathrm{W/(m^2K^4)} \]
\(T\): абсолюттук температура; бирдиги Kelvin.
Бирдикти текшерүү:
\[ 1\times \frac{\mathrm{W}}{\mathrm{m^2K^4}} \times \mathrm{K^4} = \frac{\mathrm{W}}{\mathrm{m^2}} \]
болгондуктан теңдеме өлчөмдүк жактан шайкеш.
Теңдемеде температуранын төртүнчү даражада болушу абсолюттук температуранын жылуулук нурлануусуна күчтүү сызыктуу эмес таасир этерин көрсөтөт. Бирок MEC-Patch баса белгилеген нерсе — белгилүү учурда ар башка patch клеткалары окшош жылуулук чөйрөсүн бөлүшсө, эмиссивдүүлүк айырмалары салыштырмалуу нурлануу контрастын аныктоону уланта алат.
Бул түшүндүрмө толук атмосфера/бет радиативдик өткөрүү модели эмес. Булак айлана-чөйрө жана күндөн келген чагылуулар толук радиативдик өткөрүүдө бар экенин ачык белгилейт. Колдонулган модель типтүү айдоо шарттарында \(T_{\mathrm{obj}}>T_{\mathrm{env}}\) болгондо self-emission үстөм болот деп божомолдойт.
LWIR сүрөт интенсивдүүлүгүнө өтүү
Булак жылуулук нурлануусунун сенсордун боз-деңгээлдүү сүрөтүнө өткөрүлүшүн:
\[ I=M\left(\epsilon_i\sigma T^4\right) \tag{4} \]
менен аныктайт.
Бул жерде \(I\) — инфракызыл сүрөттөгү санарип пиксел интенсивдүүлүгү; \(\epsilon_i\) — \(i\)-материалдын эмиссивдүүлүгү; \(M(\cdot)\) болсо физикалык жылуулук нурлануу маанисин сенсордун санарип grayscale диапазонуна айланткан mapping функциясы.
Булак \(M(\cdot)\) үчүн деталдуу сенсор transfer функциясын өзүнчө бербейт. Ошондуктан Verianla тексти \(M\)-ди белгилүү камера калибрлөө ийри сызыгы катары ойлоп чыгарбайт.
Жергиликтүү жылуулук тең салмактуулук божомолу
Rendering модели local thermal equilibrium божомолун колдонот. Булак бул божомол шартында Fresnel теңдемелери жана Kirchhoff мыйзамы контекстинде материал эмиссивдүүлүгү температурага алсыз гана көз каранды экенин жана модель \(-20^\circ\mathrm{C}\) менен \(50^\circ\mathrm{C}\) аралыгында туруктуу контрастты божомолдой турганын белгилейт.
Бул аралык реалдуу жашоодо бардык материалдардын эмиссивдүүлүгү сөзсүз өзгөрбөйт дегенди билдирбейт; бул моделдин физикалык иш божомолу.
Материал китепканасынын максаты эмнеде?
Материал китепканасы көрүнүүчү түс/чагылдыруу менен LWIR эмиссивдүүлүктү бири-биринен жарым-жартылай ажыратууга мүмкүн болгон материал варианттарын берет. Булак көрүнүүчү спектрде окшош же жөндөлүүчү көрүнүшкө ээ беттер инфракызыл эмиссивдүүлүк жагынан олуттуу айырмаланышы мүмкүн экенин колдонот.
| Материал | Булак эмиссивдүүлүгү \(\epsilon\) | Булак IR классификациясы |
|---|---|---|
| Алюминий фольгасы | 0,04 | Өтө муздак |
| Жылмаланган кычкылданбаган жез эритмеси | 0,06 | Өтө муздак |
| Дат баспас болот | 0,15 | Муздак |
| Табигый аноддолгон Al, 5 µm | 0,25 | Муздак |
| Кара аноддолгон Al, 15 µm | 0,55 | Орточо-жылуу |
| Терең кара катуу аноддолгон Al, 50 µm | 0,82 | Ысык |
| Керамика | 0,84–0,86 | Ысык |
| Каучук | 0,90 | Өтө ысык |
Булактагы сан айырмасы: Негизги эксперимент бөлүмүндө материал китепканасы \(N\), “мисалы 20” өкүлчүлүктүү өнөр жай материалы катары аныкталат. Supplementary Table 5 болсо эксперименттерде колдонулган 26 өнөр жай материалын тизмелегенин билдирет. Бул эки билдирүү булакта бирге болгондуктан Verianla алардын бирин экинчисинин ордуна унчукпай койбойт.
Multimodal object detection маселеси кандай формулаланат?
Алдын ала үйрөтүлгөн көп-модалдуу detector:
\[ f(\cdot) \]
эки катталган сүрөттү кириш катары алат:
\[ X_{\mathrm{vis}}\in\mathbb{R}^{H\times W\times3} \]
жана:
\[ X_{\mathrm{ir}}\in\mathbb{R}^{H\times W}. \]
Биринчи тензор RGB сүрөт \(H\times W\) пикселге жана үч түс каналына ээ экенин, экинчи тензор болсо LWIR сүрөт бир интенсивдүүлүк каналы менен көрсөтүлөрүн билдирет.
Булактын Теңдеме (1)деги оптималдаштыруу максаты:
\[ \min_G \mathbb{E}_{s\in S} \left[ f\left( X_{\mathrm{vis}}\oplus P(G), X_{\mathrm{ir}}\oplus P(G) \right) \right] \tag{1} \]
түрүндө.
\(G\) — patch-тин геометриялык, топологиялык жана материал параметрлерин камтыган genotype; \(P(G)\) — genotype-тан алынган patch; \(S\) — көрүнүштөр бөлүштүрүүсү; \(\oplus\) — patch-тин сүрөткө мейкиндиктик projection жана blending операциясын билдирет.
Оптималдаштыруунун максаты — бута классына тиешелүү detector confidence-ын ар түрдүү көрүнүштөр боюнча азайтуу.
Genotype эмне үчүн үч бөлүккө бөлүнөт?
Бириктирилген genotype:
\[ g= [g_{\mathrm{pos}},g_{\mathrm{sha}},g_{\mathrm{mat}}] \]
деп аныкталат.
\(g_{\mathrm{pos}}\): жайгашуу гени.
\[ g_{\mathrm{pos}}=[x_{\mathrm{rel}},y_{\mathrm{rel}}] \]
нормалдаштырылган салыштырмалуу координаттар patch борборун бута транспорт каражатынын bounding box-ы ичинде аныктайт. Ошондуктан жайгашуу абсолюттук пиксел координатынан түз көз каранды эмес жана объект сүрөттө чоңоюп-кичирейгенде семантикалык жайгашууну сактоо максат кылынат.
\(g_{\mathrm{sha}}\): форма гени. Patch-тин макроскопиялык тышкы геометриясын башкарат.
\(g_{\mathrm{mat}}\): материал гени. Dartboard клеткаларына кайсы дискреттик физикалык материал дайындаларын коддойт.
Булак Теңдеме (3) формасы
Булак patch контуру үчүн:
\[ r(\theta)= \sqrt{ (a\cos\theta)^2+ (b\sin\theta)^2 } \tag{3} \]
туюнтмасын берет.
\(a\) жана \(b\), булак тарабынан semi-axis parameters катары аныкталат жана тегерек формалардан пропорционалдуу эллипске окшош контурларга өтүүнү башкаруу үчүн колдонулат.
Булакка берилгендик эскертүүсү: Verianla бул теңдемени макалада жазылган формасында сактайт. Туюнтма математика китептеринде көп колдонулган стандарттуу эллипстин борбордон чекке polar radius формуласы менен бирдей эмес. Булак башка параметрдик/радиалдык аныктаманы колдонгон болушу мүмкүн; ачык оңдоо билдирүүсү жок болгондуктан формула унчукпай өзгөртүлгөн эмес.
Dartboard топологиясы деген эмне?
Patch-тин ички аймагы бурчтук секторлорго \(N_\theta\) жана радиалдык шакектерге \(N_r\) бөлүнөт. Ар бир клетка өзүнчө материал идентификаторун алып жүрө алат.
Изилдөөчүлөр бул түзүлүштү эки себептен колдонушат: дискреттик материалдарды эволюциялык алгоритм менен издөөгө мүмкүн болгон тартиптүү topology түзүү жана өтө татаал эркин формалуу четтердин ордуна өндүрүүгө ыңгайлуураак модулдук аймактарды түзүү.
NSGA-II жана DAR Эмне Үчүн Бирге Колдонулат?
NSGA-II жайгашуу, форма жана дискреттик материал тандоолору түзгөн сызыктуу эмес жана туунду алынбаган издөө мейкиндигинде чабуул ийгилиги, жашыруундук жана аянт максаттары арасында Pareto-ылайыктуу чечимдерди издейт; DAR болсо баалоо учурунда кыйын чөйрөлөргө улам жогору үлгүлөө салмагын берип, оптималдаштыруунун бир көрүнүш бөлүштүрүүсүнө ашыкча ылайыкташуусун азайтууну көздөйт.
Эмне үчүн gradient негизиндеги оптималдаштыруу ордуна NSGA-II?
\(g_{\mathrm{mat}}\) үзгүлтүксүз реал сан вектору эмес, дискреттик материал идентификаторлорун камтыйт. Бир материалды башкасына алмаштыруу үзгүлтүксүз жана differentiable сүрөт өзгөрүүсүн түзүшү шарт эмес.
Булак ошондуктан NSGA-II колдонот. Ар бир evolutionary iteration-да candidate genotype population:
\[ P_t=\{g_1,\ldots,g_N\} \]
үстүндө tournament selection, simulated binary crossover жана polynomial mutation колдонулат. Non-dominated sorting жана crowding distance өз ара карама-каршы болушу мүмкүн болгон максаттар арасында бир scalar optimum ордуна Pareto-optimal candidate ар түрдүүлүгүн сактоону көздөйт.
Үч максаттуу fitness функциясы
Булак:
\[ \Phi(g)= \left[ f_{\mathrm{atk}}(g), f_{\mathrm{stealth}}(g), f_{\mathrm{area}}(g) \right]^T \tag{5} \]
туюнтмасын колдонот.
\(f_{\mathrm{atk}}\): көрүнүүчү жана инфракызыл бутактардагы attack objective.
\(f_{\mathrm{stealth}}\): patch түс бөлүштүрүүсүн фонго жакындатууга аракет кылган stealth objective.
\(f_{\mathrm{area}}\): өтө чоң patch аянтын жазалаган area objective.
Эки модалдуулук чабуулунун objective-и
Булактын Теңдеме (6)сы:
\[ f_{\mathrm{atk}}(g) = \mathbb{E}_{s\in S} \left[ \lambda_{\mathrm{vis}} L\left( f(R_{\mathrm{vis}}(g,s)),y \right) + \lambda_{\mathrm{ir}} L\left( f(R_{\mathrm{ir}}(g,s)),y \right) \right] \tag{6} \]
түрүндө.
\(L\) — prediction loss; \(R_{\mathrm{vis}}\) — көрүнүүчү rendering operator; \(R_{\mathrm{ir}}\) — инфракызыл rendering operator; \(s\) — DAR үлгүлөгөн scene state; \(y\) — бута ground-truth классы; \(\lambda_{\mathrm{vis}}\) жана \(\lambda_{\mathrm{ir}}\) — эки модалдуулуктун loss салмактары.
Булак \(\lambda_{\mathrm{vis}}\) жана \(\lambda_{\mathrm{ir}}\) үчүн бул жерде өзүнчө сандык маанилерди бербейт. Алар тең деп божомолдонгон эмес.
DAR чабуул кылуу кыйын көрүнүштү кантип аныктайт?
Бир көрүнүш үчүн attack error:
\[ e_s^t = 1- \frac{1}{M} \sum_{j=1}^{M} \operatorname{conf} (x_j\oplus P) \tag{7} \]
менен эсептелет.
\(\operatorname{conf}(\cdot)\) — detector-дун бута классына берген confidence score-у. Булактын аныктамасында төмөн \(e_s^t\) detector бутаны дагы эле жогорку confidence менен аныктап жатканын жана ошондуктан чабуул үчүн кыйын көрүнүш экенин билдирет.
Scene weight жаңыртуусу:
\[ w_s^{t+1} = \alpha w_s^t + (1-\alpha) \frac{ \exp(1-e_s^t) }{ \sum_{i=1}^{S} \exp(1-e_i^t) } \tag{8} \]
түрүндө.
\(\alpha\) momentum smoothing factor жана экспериментте:
\[ \alpha=0.9 \]
колдонулган.
Төмөн attack error үчүн \(1-e_s^t\) чоңоёт; exponential мүчө чоңойгондуктан тиешелүү scene weight жогорулайт. Ошондуктан кийинки муундарда optimizer detector дагы эле жакшы иштеген кыйын көрүнүштөргө көбүрөөк туш болот.
DAR convergence натыйжасы
Supplementary анализ uniform sampling эрте баскычта plateau-га жакындаганын, DAR population башында кыйын үлгүлөргө топтолгондуктан төмөнүрөөк ASR көрсөтүшү мүмкүн экенин, бирок кийинки муундарда late-stage breakthrough түзүп глобалдык ASR-ди болжол менен 15 пайыздык пунктка жогорулатканын билдирет.
Булак Figure 7нин бардык чийки generation–ASR координаттарын таблица түрүндө бербегендиктен Verianla бул curve-ду санга айландырып жалган тактык менен кайра чийбейт.
Изилдөөнүн Ыкмасы жана Жыйынтыктары
ASR Натыйжалары Реалдуу Физикалык Талаа Ийгилигин Билдиреби?
Жок; изилдөөдө жогорку ASR маанилери физикалык материал касиеттери менен чектелген жана көп-көрүнүштүү симуляция чөйрөлөрүндө алынган, бирок реалдуу өндүрүш толеранттуулуктарын, реалдуу транспорт бетин, толук айлана-чөйрөлүк радиативдик өткөрүүнү жана узак мөөнөттүү ачык талаа шарттарын камтыган кеңири физикалык deployment эксперименти берилген эмес.
Маалымат топтомдору
DroneVehicle: булак күндүздөн түнгө чейинки шарттарды камтыган жана так registered кылынган 28.439 UAV-view көрүнүүчү–инфракызыл сүрөт жуптарын камтарын билдирет.
LLVIP: аз жарыкта pedestrian detection-га багытталган жана көрүнүүчү/LWIR сүрөттөрүнүн ортосунда так spatial alignment камсыз кылган маалымат топтому.
VisDrone: татаал фондорду жана ар кандай өлчөмдөгү объекттерди камтыган ири масштабдуу UAV benchmark. Булак эксперимент жөндөөлөрүн мурунку CDUPatch ишине таянып түзгөнүн билдирет.
Victim detector-лор
- YOLOv3
- YOLOv5
- YOLOv8
- YOLOv11
- Faster R-CNN
Алгачкы төрт модель one-stage detector классына кирет; Faster R-CNN болсо two-stage detector катары каралган. Булак benign транспорт сүрөттөрүндө моделдер болжол менен 0,9 confidence-ка жеткидей initialized жана fine-tuned кылынганын билдирет.
Салыштыруу ыкмалары
Негизги салыштырууга төрт baseline алынган:
- RandomPatch: жайгашуу жана texture оптималдаштырылбаган кокустук баштапкы baseline.
- TOUAP: pixel-level joint loss колдонгон dual-modal unified attack.
- UNIAP: spatial constraint жана cross-modal consistency loss колдонгон universal patch ыкмасы.
- CDUPatch: түскө негизделген visible-infrared universal adversarial patch ыкмасы.
Булак Hot-Cold ыкмасы адамдын жылуулук издерине багытталганын, MoXAttack faithful reproduction үчүн жетиштүү implementation деталдарын бербегенин жана PAIP UNIAP-тын мурункусу экенин эске алып негизги салыштырууну жогорудагы төрт ыкма менен чектегенин билдирет.
Ишке ашыруу параметрлери
| Параметр | Булак мааниси |
|---|---|
| Framework | PyTorch |
| Detector inference чечилиши | 640 × 640 пиксел |
| NSGA-II популяция өлчөмү | 60 |
| Максималдуу generation | 80 |
| DAR momentum \(\alpha\) | 0,9 |
| Ар бир итерацияда тандалган көрүнүш \(K\) | 5 |
| Ар бир көрүнүшкө мейкиндиктик конфигурация \(N\) | 3 |
| Максималдуу patch coverage | Бута bounding box-тын %30у |
| Эсептөө жабдуусу | NVIDIA GeForce RTX 4090 |
ASR деген эмне?
Attack Success Rate (ASR), булакта detector туура категорияны ийгиликтүү болжой албаган жана bounding-box Intersection over Union (IoU) мааниси колдонулган чектен төмөн болгон учурлардын үлүшү катары аныкталат.
IoU — болжолдонгон bounding box менен ground-truth bounding box кесилиш аянтынын биригүү аянтына болгон катышы:
\[ \mathrm{IoU} = \frac{ \text{kesişim alanı} }{ \text{birleşim alanı} } \]
Бул IoU теңдемеси концептуалдык түшүндүрмө; булак ASR аныктамасында IoU чегинин сандык маанисин негизги ыкма текстинде өзүнчө бербейт. Ошондуктан чектин мааниси ойлоп чыгарылган эмес.
DroneVehicle натыйжалары
| Ыкма | YOLOv3 | YOLOv5 | YOLOv8 | YOLOv11 | Faster R-CNN |
|---|---|---|---|---|---|
| RandomPatch | 11,2 | 8,8 | 2,4 | 1,9 | 8,3 |
| TOUAP | 31,6 | 28,2 | 21,0 | — | 25,7 |
| UNIAP | 46,9 | 41,6 | 33,7 | 30,6 | 38,8 |
| CDUPatch | 70,4 | 66,7 | 57,5 | — | 63,2 |
| MEC-Patch | 72,5 | 77,7 | 81,7 | 73,7 | 64,1 |
ViSDrone натыйжалары
| Ыкма | YOLOv3 | YOLOv5 | YOLOv8 | YOLOv11 | Faster R-CNN |
|---|---|---|---|---|---|
| RandomPatch | 13,7 | 10,5 | 5,6 | 4,7 | 11,1 |
| TOUAP | 34,8 | 31,0 | 24,2 | — | 29,3 |
| UNIAP | 49,2 | 44,9 | 37,5 | 32,9 | 42,6 |
| CDUPatch | 71,8 | 68,5 | 60,3 | — | 65,6 |
| MEC-Patch | 72,4 | 72,0 | 69,8 | 69,0 | 77,2 |
LLVIP натыйжалары
| Ыкма | YOLOv3 | YOLOv5 | YOLOv8 | YOLOv11 | Faster R-CNN |
|---|---|---|---|---|---|
| RandomPatch | 16,5 | 13,9 | 9,3 | 7,4 | 14,7 |
| TOUAP | 38,6 | 33,7 | 27,5 | — | 32,8 |
| UNIAP | 52,0 | 47,3 | 40,3 | 38,7 | 45,2 |
| CDUPatch | 73,2 | 73,1 | 63,0 | — | 68,0 |
| MEC-Patch | 80,3 | 86,1 | 80,8 | 72,2 | 77,1 |
SSIM жана LPIPS эмнени көрсөтөт?
Булак attack success гана эмес, perturbation-дын көрүнүүчү табигый көрүнүшүн баалоо үчүн SSIM жана LPIPS көрсөткүчтөрүн да колдонот.
SSIM (Structural Similarity Index Measure) түзүлүштүк окшоштукту өлчөйт; жалпы чечмелөөдө жогору мааниси көбүрөөк окшоштукка ишарат кылат.
LPIPS (Learned Perceptual Image Patch Similarity) үйрөнүлгөн feature мейкиндигиндеги perceptual айырманы өлчөйт; жалпы чечмелөөдө төмөн маани жогорку визуалдык окшоштукка ишарат кылат.
| Шарт | MEC-Patch SSIM | UNIAP SSIM | MEC-Patch LPIPS | UNIAP LPIPS |
|---|---|---|---|---|
| DroneVehicle-Far | 0,970 | 0,952 | 0,051 | 0,068 |
| LLVIP-Near | 0,712 | 0,615 | 0,203 | 0,284 |
Бул метрикалар patch реалдуу адам байкоочусу үчүн “байкалбас” экенин далилдебейт. Сүрөт-окшоштук метрикалары менен реалдуу физикалык байкалбастык бир түшүнүк эмес.
Кайчылаш-модель transferability
| Оптималдаштырылган булак модель | YOLOv3 | YOLOv5 | YOLOv8 | YOLOv11 | RCNN |
|---|---|---|---|---|---|
| YOLOv3 | 72,5 | 62,0 | 60,6 | 40,6 | 52,0 |
| YOLOv5 | 59,9 | 77,6 | 62,7 | 38,9 | 55,6 |
| YOLOv8 | 50,7 | 60,3 | 81,7 | 36,3 | 49,4 |
| YOLOv11 | 52,9 | 62,2 | 57,1 | 73,6 | 59,9 |
| Fast-RCNN | 58,8 | 56,7 | 62,7 | 37,8 | 64,1 |
Нотация эскертүүсү: Булактын негизги тексти моделди “Faster R-CNN (RCNN)” деп атаган учурда Table 2 сап белгиси “Fast-RCNN” түрүндө. Таблица белгиси булакта кандай болсо, ошондой сакталган.
Диагоналдык маанилер optimizer ошол эле моделде бааланган учурга; диагоналдан тышкаркы маанилер болсо башка detector-га transfer учурга туура келет. Мисалы, YOLOv11 үстүндө оптималдаштырылган patch RCNN үстүндө %59,9 ASR бериши булак тарабынан black-box transferability көрсөткүчтөрүнүн бири катары чечмеленет.
Көп-көрүнүштүү иштөө
| Ыкма | YOLOv3 | YOLOv5 | YOLOv8 | YOLOv11 | RCNN |
|---|---|---|---|---|---|
| RandomPatch | 1,2 | 0,8 | 0,4 | 1,0 | 1,4 |
| UNIAP | 21,4 | 18,6 | 15,2 | 17,8 | 19,4 |
| MEC-Patch | 56,5 | 59,0 | 58,5 | 53,5 | 55,5 |
Булак бул баалоодо snowy field, desert жана urban nightscape сыяктуу ар кандай симуляцияланган чөйрөлөрдү колдонгонун билдирет. MEC-Patch-тин беш detector боюнча маанилери %53,5–59,0 аралыгында калган.
Авторлор бул туруктуулукту intrinsic material emissivity моделдөө жана DAR-дын кыйын чөйрөлөргө салмак берүүсү менен байланыштырат. Бул механизмдин чечмелениши; реалдуу аба шартында даярдалган физикалык patch ошол эле аралыктан ASR берет деген түз талаа өлчөөсү эмес.
Абляция: жайгашуу, форма жана материал гендери канчалык маанилүү?
| Бута модель | Ыкма | Көрүнүүчү ASR | Инфракызыл ASR |
|---|---|---|---|
| YOLOv5 | MEC-Patch w/o \(g_{\mathrm{pos}}\) | 32,4 | 18,5 |
| YOLOv5 | MEC-Patch w/o \(g_{\mathrm{shp}}\) | 45,8 | 42,1 |
| YOLOv5 | MEC-Patch w/o \(g_{\mathrm{mat}}\) | 36,3 | 17,4 |
| YOLOv5 | MEC-Patch | 64,2 | 76,8 |
| YOLOv11 | MEC-Patch w/o \(g_{\mathrm{pos}}\) | 28,7 | 15,2 |
| YOLOv11 | MEC-Patch w/o \(g_{\mathrm{shp}}\) | 41,5 | 38,6 |
| YOLOv11 | MEC-Patch w/o \(g_{\mathrm{mat}}\) | 33,6 | 15,8 |
| YOLOv11 | MEC-Patch | 61,0 | 78,4 |
Жайгашуу гени: \(g_{\mathrm{pos}}\) алып салынганда өзгөчө infrared ASR YOLOv5те %18,5ке, YOLOv11де %15,2ге түшөт. Булак муну patch-тин транспорт каражатындагы семантикалык жактан маанилүү аймактарга салыштырмалуу жайгашуусу маанилүү экенинин далили катары чечмелейт.
Форма/топология гени: Булактын “Dartboard” polar partition түзүлүшү туруктуу rectangular geometry салыштыруусуна караганда болжол менен 20–30 пайыздык пункт ASR артыкчылыгын бергенин билдирет.
Материал гени: \(g_{\mathrm{mat}}\) алынып салынып, инфракызыл көрүнүш heuristic intensity fitting менен моделденгенде infrared ASR эки detector үчүн тең %18ден төмөн түшөт. Бул булак авторлорунун эмиссивдүүлүккө негизделген физикалык моделдөөнү ыкманын борборуна коюусунун эң күчтүү абляциялык далилдеринин бири.
Булактагы туюнтма айырмасы: Негизги абляция абзацында бир жерде “peak dual-modal ASR of 64.2% and 76.8%” деген сөз колдонулат. Бирок ошол эле Table 4 YOLOv11 үчүн толук MEC-Patch маанилерин %61,0 / %78,4 деп берет. Verianla модель боюнча маанилерде таблицаны өзгөртпөй берип, текст–таблица айырмасын унчукпай оңдогон эмес.
Patch аянтына сезгичтик
Supplementary Figure 8 patch-to-vehicle area ratioну %10 менен %50 аралыгында изилдейт. Булак:
- %10 аянт жетишсиз adversarial таасир бергенин,
- %30 чамасында бардык маалымат топтомдорунда ASR %70тен ашкан ачык өсүш байкалганын,
- %50гө жакындаганда ASR каныгууга жакындап, LLVIPте болжол менен %100гө жакындаганын
билдирет.
Бирок негизги эксперимент түзүлүшүндө patch аянты бута bounding box-тын эң көбү %30у менен чектелген. Supplementary sensitivity анализи менен негизги эксперимент constraint-и аралаштырылбашы керек.
Confidence threshold сезгичтиги
Supplementary Figure 9, detection threshold \(\tau\) өзгөргөндө ASRди изилдейт. Булак \(\tau=0.3\) сыяктуу катуу threshold шартында да жогорку ASR сакталганын жана attack-тан кийин target response көбүнчө болжол менен 0,15–0,20дан төмөн басылганын билдирет.
Бул threshold негизги ASR аныктамасындагы IoU threshold менен бир параметр деп эсептелбеши керек; булак аларды ар башка баалоо контексттеринде колдонот.
Булактын Algorithm 1 процесс тартиби
- Жайгашуу, форма жана материал гендеринен баштапкы population түзүлөт.
- Dartboard клеткалары дискреттик материал идентификаторлору менен коддолот.
- DAR учурдагы scene weights колдонуп \(K\) көрүнүш тандайт.
- Ар бир genotype үчүн visible жана infrared rendering аткарылат.
- ASR, stealth жана area objective-дер бааланат.
- DAR scene attack error-лорго жараша көрүнүш салмактарын жаңыртат.
- NSGA-II non-dominated sorting, tournament selection, SBX crossover жана mutation колдонот.
- Offspring учурдагы population менен бириктирилет.
- Crowding distance аркылуу кийинки \(N\) candidate тандалат.
- Белгиленген generation санынын соңунда attack objective жагынан тандалган genotype final patch rendering-ге айландырылат.
Эскертүү: Негизги ыкма тексти convergence аягында “candidate with the highest fitness” дегенди колдонсо, supplementary Algorithm 1 финалдык тандоону \(g^*=\arg\min f_{\mathrm{atk}}(g)\) түрүндө жазат. Objective-дер cost/loss катары курулгандыктан, экинчи туюнтма математикалык агымга шайкеш; бирок Verianla булактагы терминология айырмасын жашырбайт.
Изилдөө колдогон жыйынтыктар
- Эмиссивдүүлүккө негизделген көрүнүүчү–LWIR rendering каралган симуляция шарттарында күчтүү кайчылаш-модалдуу ASR жараткан.
- MEC-Patch үч маалымат топтомунун баарында жана текшерилген detector-лордун баарында RandomPatch жана UNIAPтан кыйла жогорку ASR алган.
- Table 1деги көптөгөн шарттарда MEC-Patch CDUPatchтен да жогорку ASR чыгарган.
- Patch-тердин ар башка detector архитектураларына өтө алган adversarial таасири байкалган.
- DAR, uniform sampling салыштыруусуна караганда supplementary convergence анализинде болжол менен 15 пайыздык пункт глобалдык ASR өсүшү менен байланышкан.
- Жайгашуу, форма жана материал гендеринин ар бири абляцияда иштөөгө салым кошкон.
- Айрыкча материал/эмиссивдүүлүк компонентин алып салуу инфракызыл ASRде чоң төмөндөө жараткан.
- Булак көрүнүүчү көрүнүш менен LWIR эмиссивдүүлүк жообунун материал деңгээлинде жарым-жартылай ажыратылышы multimodal feature alignment-ды буза аларын көрсөтөт.
Изилдөө колдобогон жыйынтыктар
- Реалдуу жол кыймылында иштеген автономдуу транспорт каражаттарын ошол эле үлүштөрдө адаштырууга болору көрсөтүлгөн эмес.
- Реалдуу автоунаага даярдалып орнотулган 26 материалдуу patch менен бардык эксперименттер аяктаган эмес.
- Симуляция ASRи түздөн-түз реалдуу дүйнөдөгү чабуул ийгилигинин ыктымалдыгы эмес.
- Stefan–Boltzmann катышы өзү эле реалдуу LWIR сенсорундагы бардык radiative-transfer таасирлерин толук моделдейт деп көрсөтүлгөн эмес.
- Эмиссивдүүлүк бардык материалдарда жана бардык температура/чөйрө шарттарында өзгөрбөйт деп айтылган эмес.
- VisDrone, DroneVehicle же LLVIP натыйжалары башка маалымат топтомдоруна ошол эле сандар менен жалпыланары көрсөтүлгөн эмес.
- YOLO жана Faster R-CNNден башка бардык multimodal detector архитектураларына каршы бирдей transferability кепилденбейт.
- Ыкма өндүрүш толеранттуулуктарына толугу менен сезимсиз экени көрсөтүлгөн эмес.
- Patch аянтын чоңойтуу чексиз пайда берет деп көрсөтүлгөн эмес; supplementary анализде каныгуу байкалат.
- Бул изилдөө реалдуу системаларды саботаж кылуу үчүн берилген эмес; булак ишти академиялык коопсуздук баалоо жана security-by-design өнүктүрүү контекстинде чектейт.
Чектөөлөр
Өндүрүш тактыгы: Жогорку жыштыктагы Dartboard үлгүлөрүн кесүү жана бириктирүү тактыгы реалдуу өндүрүш толеранттуулуктарынан таасирлениши мүмкүн.
Материал китепканасы: Supplementary бөлүм учурдагы 26 материалдуу китепкана proof-of-concept үчүн жетиштүү, бирок exhaustive эмес экенин белгилейт.
2B ыкма: Изилдөө planar patch approximation колдонот. Реалдуу транспорт беттеринин татаал curvature-ы кеңири 3B моделди талап кылат.
Радиативдик модель: Модель local thermal equilibrium жана self-emission dominance сыяктуу физикалык божомолдорду колдонот. Толук күн/айлана-чөйрө reflection жана татаал radiative transfer бардык деталдары менен моделденген эмес.
Симуляция–физикалык deployment айырмасы: Булак физикалык жактан ырааттуу rendering жана өндүрүүгө боло турган материал чектөөлөрүн колдонгону менен, натыйжалардын маанилүү бөлүгү жогорку тактыктагы симуляция чөйрөсүндө.
Келечектеги изилдөө сунуштары
Авторлор материал китепканасын жаңы өнөр жай coatings, fabrics жана paints менен кеңейтүүнү; 2B planar approximation-дан реалдуу бет curvature-ын эсепке алган жогорку тактыктагы 3B adversarial моделдөөгө өтүүнү; parametric mesh deformation менен физикага негизделген rendering кыймылдаткычтарын бириктирип реалдуураак deployment сценарийлерин түзүүнү сунуштайт.
Булак жана Ыкма Жөнүндө Эскертүү
Түпнуска аталыш: MEC-Patch: Visible-Infrared Cross-Modal Adversarial Attack Driven by Intrinsic Material Emissivity Laws
Авторлор жана тартип: Zhixiang Huang; Xinbo Nie; Wenxuan Wang; Lu Yang; Xin Li; Xuelin Qian; Peng Wang.
Тең салым: Булакта ачык equal-contribution / co-first-author билдирүүсү табылган эмес.
Автор белгилери: PDFнин авторлор бөлүгүндө Wenxuan Wang жанында “*”, Xuelin Qian жанында “†” белгиси бар. Каралган PDF текстинде бул эки белгинин маанисин ачык аныктаган footnote табылбагандыктан corresponding-author же башка роль болжолдонгон эмес.
Аффилиация — Zhixiang Huang: Northwestern Polytechnical University, Xi’an, China.
Аффилиация — Xinbo Nie: Northwestern Polytechnical University, Xi’an, China.
Аффилиация — Wenxuan Wang: Northwestern Polytechnical University, Xi’an, China; Shenzhen Research Institute of Northwestern Polytechnical University, Shenzhen, China.
Аффилиация — Lu Yang: Raytron Technology Co., Ltd, Xi’an, China.
Аффилиация — Xin Li: City University of Hong Kong, Hong Kong, China.
Аффилиация — Xuelin Qian: Northwestern Polytechnical University, Xi’an, China; Shenzhen Research Institute of Northwestern Polytechnical University, Shenzhen, China.
Аффилиация — Peng Wang: Northwestern Polytechnical University, Xi’an, China.
ArXiv: arXiv:2608.05634v1 [cs.MM].
ArXiv жөнөтүлгөн датасы: 6 Август 2026.
Басылманын түрү: ACM Multimedia конференциялык изилдөө макаласы / proceedings paper.
Конференция: 34th ACM International Conference on Multimedia (MM ’26).
Конференция даталары: 10–14 Ноябрь 2026.
Конференция жайы: Rio de Janeiro, Brazil.
Басмакана: Association for Computing Machinery (ACM).
DOI: 10.1145/3767308.3835147.
ISBN: 979-8-4007-2213-4/2026/11.
Рецензия статусу: Изилдөө ACM Multimedia 2026 proceedings ичинде жарыяланган конференциялык макала. ACM Multimedia 2026 расмий көрсөтмөлөрү конференциялык макалалар үчүн peer-review жана double-blind review процесси колдонуларын белгилейт.
Лицензия: Creative Commons Attribution 4.0 International License (CC BY 4.0).
Тармак: Multimodal computer vision, object detection, adversarial robustness, security and privacy.
Маалымат топтомдору: DroneVehicle, LLVIP, VisDrone.
Victim моделдер: YOLOv3, YOLOv5, YOLOv8, YOLOv11 жана Faster R-CNN.
Салыштыруу ыкмалары: RandomPatch, TOUAP, UNIAP жана CDUPatch.
Негизги оптималдаштыруу: Physics-constrained NSGA-II + Dynamic Adversarial Resampling (DAR).
Rendering ыкмасы: Visible branch үчүн материалдын RGB/reflectivity касиеттери; infrared branch үчүн эмиссивдүүлүккө негизделген Stefan–Boltzmann thermal-radiation mapping; бута үстүнө TPS projection жана alpha blending.
Негизги эксперимент параметрлери: 640 × 640 inference; population 60; 80 generation; DAR \(\alpha=0.9\); \(K=5\) scene; ар scene үчүн \(N=3\) spatial configuration; максималдуу patch coverage %30; NVIDIA GeForce RTX 4090.
Каржылоо: National Natural Science Foundation of China (No. 62502387 жана 62406252); China Postdoctoral Science Foundation (No. BX20250486 жана 2025M784419); Natural Science Basic Research Program of Shaanxi (No. 2025JC-YBQN-861); Guangdong Basic and Applied Basic Research Foundation (No. 2025A1515011465 жана 2025A1515010158); Postdoctoral Science Foundation of Shaanxi Province (No. 2025BSHSDZZ105).
Маалыматтын жеткиликтүүлүгү: Каралган PDFде өзүнчө Data Availability Statement табылган эмес.
Кызыкчылыктардын кагылышы: Каралган PDFде өзүнчө Conflict of Interest / Competing Interests билдирүүсү табылган эмес.
Авторлордун салымы: Каралган PDFде CRediT же өзүнчө Author Contributions бөлүмү табылган эмес; салым ролдору болжолдонгон эмес.
Булактагы материал санынын айырмасы: Негизги эксперимент тексти материал китепканасын \(N\) “мисалы 20” өкүлчүлүктүү материал деп аныктаган учурда supplementary Table 5 26 өнөр жай материалы колдонулганын билдирет. Бул эки билдирүү булакта кандай болсо, ошондой сакталган.
Булактагы shape-genotype нотациясы: Негизги ыкмада \(g_{\mathrm{sha}}\), абляция бөлүмүндө \(g_{\mathrm{shp}}\) нотациясы колдонулат. Текстте түшүнүк “shape genotype” катары бир мааниде түшүндүрүлөт; булак нотациясынын айырмасы жашырылган эмес.
Теңдеме (3) эскертүүсү: \(r(\theta)=\sqrt{(a\cos\theta)^2+(b\sin\theta)^2}\) булакта берилген формасында сакталган; стандарттуу эллипстин polar формуласы менен унчукпай алмаштырылган эмес.
Абляция текст–таблица эскертүүсү: Булак баянында бир жерде “64.2% and 76.8% peak dual-modal ASR” деген сөз бар, Table 4тө болсо YOLOv11 үчүн толук MEC-Patch маанилери %61,0 / %78,4. Модель боюнча маанилер таблицада кандай берилсе, ошондой жеткирилген.
Илимий чечмелөө чеги: Булак MEC-Patchти реалдуу дүйнөдөгү коопсуздук алсыздыктарын диагностикалоого багытталган физикага негизделген баалоо алкагы катары көрсөтөт; негизги сандык натыйжалар жогорку тактыктагы физикалык чектелген симуляциялардан алынган. Кеңири физикалык транспорт/реалдуу жол кыймылы талаа текшерүүсү жүргүзүлгөн эмес.
Этикалык/колдонуу чеги: Булак supplementary discussion бөлүмүндө изилдөө академиялык изилдөө үчүн гана, multimodal perception системаларындагы мүмкүн болгон коопсуздук алсыздыктарын аныктоо максатында жүргүзүлгөнүн жана коммерциялык колдонууга берилбей турганын ачык белгилейт.
Келечектеги изилдөө: Кеңирээк material/coating/fabric/paint китепканасы жана реалдуу геометриялык curvature-ды эсепке алган жогорку тактыктагы 3B adversarial modeling.
Пикир калтырыңыз
E-mail дарегиңиз жарыяланбайт. Милдеттүү талаалар * менен белгиленген