MEC-Patch (Material Emissivity Controlled Patch) ni mfumo wa shambulio la adversarial la kuvuka modi lenye vikwazo vya fizikia, unaotumia sifa za ndani za kimwili za nyenzo, kama emissivity, yaani uwezo wa kutoa mionzi ya joto, ili kutathmini uimara wa adversarial wa mifumo ya utambuzi wa vitu ya modi nyingi inayotumia pamoja picha za mwanga unaoonekana (RGB) na infraredi ya mawimbi marefu (Long-Wave Infrared, LWIR). Badala ya kuunda perturbation ya infraredi kwa kutegemea tu ukali bandia wa pikseli au joto la uso linalobadilika, utafiti unaunganisha emissivity ya nyenzo na mionzi ya joto kupitia Sheria ya Stefan–Boltzmann; unasimba nafasi, umbo na chaguo za nyenzo za diskreti ndani ya genotype moja; unaoptimisha nafasi hii ya utafutaji ya diskreti na isiyo ya mstari kwa NSGA-II; na unatumia mkakati wa Dynamic Adversarial Resampling (DAR) ili kuongeza uwezo wa matokeo kutumika katika mazingira tofauti. Matokeo yanaonyesha thamani kubwa za ASR kwa detector mbalimbali za picha zinazoonekana–infraredi kwenye seti za data DroneVehicle, LLVIP na VisDrone; hata hivyo tathmini inategemea simulesheni za usahihi wa juu zenye vikwazo vya fizikia, na haijafanywa uthibitishaji mpana wa uwanjani kwa patch zilizotengenezwa katika mazingira halisi ya trafiki.
Hoja ya msingi ya utafiti ni kwamba sensa za mwanga unaoonekana na infraredi huonyesha kitu kilekile cha kimwili kwa mifumo tofauti ya kielektromagneti. Kamera ya RGB inategemea sana jinsi uso unavyoakisi mwanga unaoonekana na kiwango cha mwanga wa mazingira. Kamera ya LWIR, kwa upande mwingine, hutambua mionzi ya joto ya kitu; mionzi hii huamuliwa na joto la uso pamoja na emissivity ya nyenzo \(\epsilon\). Wakati baadhi ya tafiti za awali za adversarial za kuvuka modi zilijaribu kubadilisha mwonekano wa infraredi kwa kupasha joto, kupoza au kutumia mgawanyo wa muda wa joto, MEC-Patch inalenga kutumia emissivity, ambayo ni sifa ya ndani zaidi ya nyenzo, badala ya kigezo cha hali kama joto ambacho hubadilika kwa urahisi kutokana na athari za mazingira.
Fizikia ya msingi inayotumiwa na utafiti:
\[ j=\epsilon\sigma T^4 \]
ni uhusiano wa Stefan–Boltzmann. Hapa \(j\) ni kiasi cha jumla cha nguvu ya mionzi kinachotolewa na uso kwa kila kitengo cha eneo, \(\epsilon\) ni emissivity isiyo na kipimo, \(\sigma\approx5.67\times10^{-8}\,\mathrm{W/(m^2K^4)}\) ni konstanti ya Stefan–Boltzmann, na \(T\) ni joto kamili katika Kelvin. Chini ya dhana ya chanzo, mabadiliko yale yale ya joto yanapopima kwa pamoja ishara ya joto ya maeneo yote katika mgawanyo fulani wa emissivity, utofauti wa kiasi kati ya thamani tofauti za emissivity unaweza kuhifadhiwa. MEC-Patch hutumia wazo kwamba utofauti huu wa kiasi unaweza kuwa thabiti zaidi dhidi ya mabadiliko ya joto la mazingira kuliko perturbation za muda zinazotegemea joto.
Uhusiano huu wa kimwili pekee hauamui patch ya shambulio. Nafasi ya patch kwenye lengo, jiometria yake ya nje na mgawanyo wa nyenzo ndani yake huoptimishwa kwa pamoja. Watafiti huwakilisha vigezo hivi kwa genotype iliyounganishwa katika umbo \(g=[g_{\mathrm{pos}},g_{\mathrm{sha}},g_{\mathrm{mat}}]\). \(g_{\mathrm{pos}}\) huwakilisha nafasi iliyosawazishwa ya kitovu cha patch ndani ya bounding box ya lengo, \(g_{\mathrm{sha}}\) huwakilisha umbo la kijiometria, na \(g_{\mathrm{mat}}\) huwakilisha vitambulisho vya nyenzo za diskreti.
Kwa sababu uteuzi wa nyenzo ni wa diskreti na mchakato wa rendering wa picha zinazoonekana/infraredi huunda muundo usio wa mstari kwa kiwango kikubwa, utafiti hutumia Non-dominated Sorting Genetic Algorithm II (NSGA-II) badala ya gradient descent ya kawaida. Malengo matatu hutathminiwa kwa wakati mmoja: mafanikio ya shambulio, kutotambulika kwa mwonekano na eneo la patch. Badala ya kuchukua sampuli za mazingira rahisi na magumu kwa uwezekano usiobadilika, utaratibu wa DAR huongeza hatua kwa hatua uzito wa matukio magumu ambako detector bado inafanya kazi kwa confidence ya juu.
Katika majaribio makuu, MEC-Patch inaripoti ASR za %72,5, %77,7, %81,7, %73,7 na %64,1 kwa YOLOv3, YOLOv5, YOLOv8, YOLOv11 na Faster R-CNN mtawalia kwenye DroneVehicle. Kwenye ViSDrone, thamani zinazolingana ni %72,4, %72,0, %69,8, %69,0 na %77,2; kwenye LLVIP ni %80,3, %86,1, %80,8, %72,2 na %77,1.
Majaribio ya kuvuka modeli yanaonyesha kwamba patch iliyoboreshwa kwenye detector moja inaweza kuhamia kwa kiasi fulani kwenye usanifu mwingine. Kwa mfano, patch iliyoboreshwa kwenye modeli chanzo ya YOLOv11 hupata %59,9 ASR kwenye Faster R-CNN. Katika simulesheni za matukio mengi, thamani za ASR za MEC-Patch kwenye detector tano zilibaki kati ya %53,5 na %59,0; thamani za RandomPatch zilikuwa takriban %0,4–1,4, na za UNIAP zilikuwa katika kiwango cha %15,2–21,4.
Matokeo ya ablation yanaonyesha kwamba vipengele vyote vitatu vya mbinu ni muhimu. Kwa YOLOv5, MEC-Patch kamili hutoa %64,2 / %76,8 ASR katika modi zinazoonekana/infraredi, lakini genotype ya nyenzo inapoondolewa thamani hizi hushuka hadi %36,3 / %17,4. Kwa YOLOv11, mbinu kamili ni %61,0 / %78,4, ilhali baada ya kuondoa genotype ya nyenzo hupatikana %33,6 / %15,8. Kushuka kwa kiwango kikubwa hasa katika tawi la infraredi ndio msingi muhimu wa tafsiri ya waandishi wa chanzo kwamba uundaji wa emissivity ni sehemu ya kati ya ulinganifu wa kimwili wa kuvuka modi.
Matokeo haya hayaonyeshi kwamba magari halisi yamefanywa yasionewe au kwamba mifumo halisi ya kuendesha magari kiotomatiki imezimwa kwa kutegemewa uwanjani. Chanzo kinaweka kazi hii kama tathmini ya kitaaluma ya usalama yenye lengo la kufichua udhaifu wa usalama katika mifumo ya utambuzi ya modi nyingi. Waandishi wanataja usahihi wa utengenezaji, maktaba ndogo ya nyenzo na mkabala wa kimwili wa 2B kama mapungufu yaliyo wazi.
MEC-Patch ni Nini na Inatofautianaje na Mashambulio ya Awali ya Kuvuka Modi?
MEC-Patch ni mbinu ya tathmini ya usalama inayounda ndani ya genotype moja ya nyenzo sifa za rangi/kuakisi za mwonekano wa patch na sifa za emissivity ya infraredi, ili kuathiri kwa pamoja matawi ya utambuzi wa picha zinazoonekana na LWIR kupitia patch ileile ya kimwili, kisha kutafuta genotype hiyo kwa optimizesheni ya mageuzi ya malengo mengi yenye vikwazo vya fizikia.
Kwa nini shambulio la RGB pekee halitoshi?
Visible-infrared fusion detector huona kitu kilekile kupitia sensa mbili tofauti. Ikiwa muundo wa adversarial katika picha ya RGB unadanganya kamera ya mwanga unaoonekana pekee lakini alama ya joto ya kitu inaonekana kawaida katika picha ya LWIR, mtandao wa fusion unaweza kutumia taarifa kutoka modi ya pili na bado kutambua kitu. Kwa hiyo perturbation ya modi moja huenda isiweze kushinda taarifa ya ziada inayotolewa na ukaguzi wa cross-modal consistency.
Hili ndilo tatizo la usalama linalochunguzwa na MEC-Patch: je, mabadiliko yale yale ya kimwili kwenye uso yanaweza kuunda alama katika picha zinazoonekana na za infraredi ambayo inaweza kuvuruga mchakato wa pamoja wa feature fusion wa detector?
Kwa nini kudhibiti joto pekee pia kunaweza kuleta tatizo?
Joto \(T\) si utambulisho usiobadilika wa nyenzo. Mwanga wa jua, upepo, hali ya anga, hali ya uendeshaji ya lengo lenyewe na joto la mazingira vinaweza kubadilisha joto la uso. Kwa hiyo utofauti wa joto ulioundwa kwa mpangilio fulani wa kupasha au kupoza unaweza usibaki katika hali ileile kwenye mazingira mengine.
Kwa sababu hiyo chanzo kinahamisha kitovu cha modeli ya shambulio kutoka joto kwenda emissivity. Emissivity ni sifa ya nyenzo isiyo na kipimo inayoonyesha kiasi cha mionzi ya joto kinachotolewa na uso ikilinganishwa na mwili mweusi bora katika joto lilelile.
Kwa Nini Emissivity Ndiyo Msingi wa Kimwili wa MEC-Patch?
Katika modeli ya chanzo, emissivity \(\epsilon\) huruhusu utofauti wa joto wa kiasi katika picha ya LWIR kuhusishwa na utambulisho wa nyenzo; katika mgawanyo usiobadilika wa emissivity, hata kama mabadiliko ya pamoja ya joto yanabadilisha kiwango cha mionzi kwa uwiano, tofauti za kiasi za emissivity kati ya nyenzo zinaweza kuhifadhiwa, hivyo muundo wa nafasi wa infraredi wa patch unaweza kuundwa kwa uthabiti zaidi kuliko perturbation za muda zinazotegemea joto.
Sheria ya Stefan–Boltzmann
Chanzo, Mlinganyo (2):
\[ j=\epsilon\cdot\sigma\cdot T^4 \tag{2} \]
Fomula huhesabu nini? Katika modeli iliyoboreshwa kwa dhana, nguvu ya jumla ya mionzi ya joto ya uso kwa kila kitengo cha eneo.
\(j\): msongamano wa nguvu ya radiant inayotolewa; kitengo chake ni \(\mathrm{W/m^2}\).
\(\epsilon\): emissivity; haina kipimo.
\(\sigma\): konstanti ya Stefan–Boltzmann:
\[ \sigma\approx5.67\times10^{-8}\, \mathrm{W/(m^2K^4)} \]
\(T\): joto kamili; kitengo chake ni Kelvin.
Ukaguzi wa vipimo:
\[ 1\times \frac{\mathrm{W}}{\mathrm{m^2K^4}} \times \mathrm{K^4} = \frac{\mathrm{W}}{\mathrm{m^2}} \]
kwa hiyo mlinganyo una uwiano sahihi wa vipimo.
Kuwepo kwa joto katika nguvu ya nne kwenye mlinganyo kunaonyesha kwamba joto kamili lina athari kubwa isiyo ya mstari kwenye mionzi ya joto. Hata hivyo, jambo linalosisitizwa na MEC-Patch ni kwamba, ikiwa seli tofauti za patch zinashiriki mazingira yanayofanana ya joto kwa wakati fulani, tofauti za emissivity zinaweza kuendelea kuamua utofauti wa kiasi wa mionzi.
Maelezo haya si modeli kamili ya uhamishaji wa mionzi wa anga/uso. Chanzo pia kinasema wazi kwamba miakisi kutoka mazingira na jua ipo katika uhamishaji kamili wa mionzi. Modeli inayotumiwa inadhania kwamba self-emission hutawala katika hali za kawaida za uendeshaji wakati \(T_{\mathrm{obj}}>T_{\mathrm{env}}\).
Kuhamia kwenye ukali wa picha ya LWIR
Chanzo kinafafanua ubadilishaji wa mionzi ya joto kuwa picha ya kiwango cha kijivu cha sensa kama:
\[ I=M\left(\epsilon_i\sigma T^4\right) \tag{4} \]
inafafanuliwa kwa njia hiyo.
Hapa \(I\) ni ukali wa pikseli dijitali katika picha ya infraredi; \(\epsilon_i\) ni emissivity ya nyenzo ya \(i\); na \(M(\cdot)\) ni kazi ya mapping inayobadilisha thamani ya kimwili ya mionzi ya joto kwenda kwenye masafa ya dijitali ya grayscale ya sensa.
Chanzo hakitoi kazi ya kina ya transfer ya sensa kwa \(M(\cdot)\). Kwa hiyo maandishi ya Verianla hayabuni \(M\) kana kwamba ni mkunjo fulani wa kalibrasheni ya kamera.
Dhana ya usawa wa joto wa ndani
Modeli ya rendering hutumia dhana ya local thermal equilibrium. Chini ya dhana hii, chanzo kinasema kwamba, katika muktadha wa milinganyo ya Fresnel na sheria ya Kirchhoff, emissivity ya nyenzo hutegemea joto kwa kiwango kidogo tu na modeli inadhania utofauti thabiti katika kiwango cha \(-20^\circ\mathrm{C}\) hadi \(50^\circ\mathrm{C}\).
Kiwango hiki hakimaanishi kwamba emissivity ya nyenzo zote katika maisha halisi haibadiliki kabisa; ni dhana ya kimwili inayotumiwa na modeli.
Lengo la maktaba ya nyenzo ni nini?
Maktaba ya nyenzo hutoa chaguo za nyenzo zinazowezesha kutenganisha kwa kiasi fulani rangi/kuakisi katika mwanga unaoonekana na emissivity ya LWIR. Chanzo hutumia ukweli kwamba nyuso zenye mwonekano unaofanana au unaoweza kurekebishwa katika wigo unaoonekana zinaweza kutofautiana kwa kiasi kikubwa katika emissivity ya infraredi.
| Nyenzo | Emissivity ya chanzo \(\epsilon\) | Uainishaji wa IR wa chanzo |
|---|---|---|
| Foili ya alumini | 0,04 | Baridi sana |
| Shaba ya njano iliyong'arishwa isiyo na oksidi | 0,06 | Baridi sana |
| Chuma cha pua | 0,15 | Baridi |
| Al ya asili iliyotiwa anodize, 5 µm | 0,25 | Baridi |
| Al nyeusi iliyotiwa anodize, 15 µm | 0,55 | Joto la wastani |
| Al nyeusi sana iliyotiwa anodize kwa ugumu, 50 µm | 0,82 | Moto |
| Kauri | 0,84–0,86 | Moto |
| Mpira | 0,90 | Moto sana |
Tofauti ya idadi ndani ya chanzo: Katika sehemu ya majaribio makuu, maktaba ya nyenzo \(N\) inaelezwa kama “kwa mfano 20” nyenzo wakilishi za viwandani. Supplementary Table 5, kwa upande mwingine, inasema kwamba inaorodhesha nyenzo 26 za viwandani zilizotumiwa katika majaribio. Kwa kuwa kauli hizi mbili zipo pamoja katika chanzo, Verianla haibadilishi moja kwa nyingine kimya kimya.
Tatizo la multimodal object detection linaformuliwaje?
Detector ya modi nyingi iliyofundishwa mapema:
\[ f(\cdot) \]
hupokea picha mbili zilizosajiliwa kama ingizo:
\[ X_{\mathrm{vis}}\in\mathbb{R}^{H\times W\times3} \]
na:
\[ X_{\mathrm{ir}}\in\mathbb{R}^{H\times W}. \]
Tensor ya kwanza inaonyesha kwamba picha ya RGB ina pikseli \(H\times W\) na njia tatu za rangi; tensor ya pili inaonyesha kwamba picha ya LWIR inawakilishwa kwa njia moja ya ukali.
Lengo la optimizesheni la chanzo katika Mlinganyo (1):
\[ \min_G \mathbb{E}_{s\in S} \left[ f\left( X_{\mathrm{vis}}\oplus P(G), X_{\mathrm{ir}}\oplus P(G) \right) \right] \tag{1} \]
ni kama lilivyo hapo.
\(G\) ni genotype yenye vigezo vya kijiometria, kitopolojia na vya nyenzo vya patch; \(P(G)\) ni patch inayozalishwa kutoka genotype; \(S\) ni mgawanyo wa matukio; na \(\oplus\) huonyesha operesheni ya spatial projection na blending ya patch kwenye picha.
Lengo la optimizesheni ni kupunguza detector confidence kwa darasa lengwa katika matukio tofauti.
Kwa nini genotype imegawanywa katika sehemu tatu?
Genotype iliyounganishwa:
\[ g= [g_{\mathrm{pos}},g_{\mathrm{sha}},g_{\mathrm{mat}}] \]
inafafanuliwa hivyo.
\(g_{\mathrm{pos}}\): jeni la nafasi.
\[ g_{\mathrm{pos}}=[x_{\mathrm{rel}},y_{\mathrm{rel}}] \]
koordinati za kiasi zilizosawazishwa huweka kitovu cha patch ndani ya bounding box ya gari lengwa. Kwa hiyo nafasi haitegemei moja kwa moja koordinati kamili za pikseli, na lengo ni kuhifadhi nafasi ya kisemantiki wakati kitu kinakuwa kikubwa au kidogo katika picha.
\(g_{\mathrm{sha}}\): jeni la umbo. Hudhibiti jiometria ya nje ya kiwango kikubwa ya patch.
\(g_{\mathrm{mat}}\): jeni la nyenzo. Husimba ni nyenzo ipi ya kimwili ya diskreti itakayowekwa katika seli za Dartboard.
Muundo wa Mlinganyo (3) katika chanzo
Chanzo kinatoa kwa kontua ya patch:
\[ r(\theta)= \sqrt{ (a\cos\theta)^2+ (b\sin\theta)^2 } \tag{3} \]
usemi huo.
\(a\) na \(b\) zinafafanuliwa na chanzo kama semi-axis parameters na hutumiwa kudhibiti mpito kutoka maumbo ya duara kwenda kontua zinazofanana na elipsi zenye uwiano.
Dokezo la uaminifu kwa chanzo: Verianla huhifadhi mlinganyo huu katika umbo lililoandikwa kwenye makala. Usemi huu si sawa na fomula ya kawaida ya radius ya polar kutoka kitovu hadi mpaka wa elipsi inayopatikana mara nyingi katika vitabu vya hisabati. Chanzo huenda kimetumia ufafanuzi tofauti wa kigezo/radial; kwa kuwa hakuna taarifa ya wazi ya marekebisho, fomula haijabadilishwa kimya kimya.
Topolojia ya Dartboard ni nini?
Eneo la ndani la patch hugawanywa katika sekta za pembe \(N_\theta\) na pete za radial \(N_r\). Kila seli inaweza kubeba kitambulisho tofauti cha nyenzo.
Watafiti hutumia muundo huu kwa sababu mbili: kutoa topology iliyo na mpangilio ambapo nyenzo za diskreti zinaweza kutafutwa kwa algoriti ya mageuzi, na kuunda maeneo ya moduli yanayoweza kutengenezwa kwa urahisi zaidi badala ya kingo za maumbo huru zilizo tata sana.
Kwa Nini NSGA-II na DAR Hutumiwa Pamoja?
NSGA-II hutafuta suluhisho zinazofaa kwa Pareto kati ya mafanikio ya shambulio, kutotambulika na eneo katika nafasi ya utafutaji isiyo ya mstari na isiyoweza kutofautishwa inayoundwa na nafasi, umbo na chaguo za nyenzo za diskreti; DAR, wakati wa tathmini, huongeza hatua kwa hatua uzito wa kuchukua sampuli kwa mazingira magumu ili kupunguza optimizesheni kuzoea kupita kiasi mgawanyo mmoja wa tukio.
Kwa nini NSGA-II badala ya optimizesheni inayotegemea gradient?
\(g_{\mathrm{mat}}\) si vekta endelevu ya namba halisi, bali ina vitambulisho vya nyenzo za diskreti. Kubadilisha nyenzo moja kwa nyingine si lazima kuunde mabadiliko ya picha yaliyo endelevu na differentiable.
Kwa sababu hiyo chanzo hutumia NSGA-II. Katika kila evolutionary iteration, candidate genotype population:
\[ P_t=\{g_1,\ldots,g_N\} \]
tournament selection, simulated binary crossover na polynomial mutation hutekelezwa juu yake. Non-dominated sorting na crowding distance zinalenga kuhifadhi utofauti wa candidate za Pareto-optimal kati ya malengo yanayoweza kukinzana, badala ya scalar optimum moja.
Kazi ya fitness yenye malengo matatu
Chanzo:
\[ \Phi(g)= \left[ f_{\mathrm{atk}}(g), f_{\mathrm{stealth}}(g), f_{\mathrm{area}}(g) \right]^T \tag{5} \]
hutumia usemi huo.
\(f_{\mathrm{atk}}\): attack objective katika matawi ya picha zinazoonekana na infraredi.
\(f_{\mathrm{stealth}}\): stealth objective inayojaribu kuleta mgawanyo wa rangi ya patch karibu na mandharinyuma.
\(f_{\mathrm{area}}\): area objective inayoadhibu eneo la patch lililo kubwa kupita kiasi.
Attack objective ya modi mbili
Mlinganyo (6) wa chanzo:
\[ f_{\mathrm{atk}}(g) = \mathbb{E}_{s\in S} \left[ \lambda_{\mathrm{vis}} L\left( f(R_{\mathrm{vis}}(g,s)),y \right) + \lambda_{\mathrm{ir}} L\left( f(R_{\mathrm{ir}}(g,s)),y \right) \right] \tag{6} \]
ni kama ulivyo hapo.
\(L\) ni prediction loss; \(R_{\mathrm{vis}}\) ni operator ya rendering ya picha zinazoonekana; \(R_{\mathrm{ir}}\) ni operator ya rendering ya infraredi; \(s\) ni scene state inayochukuliwa sampuli na DAR; \(y\) ni darasa lengwa la ground-truth; na \(\lambda_{\mathrm{vis}}\) na \(\lambda_{\mathrm{ir}}\) ni uzito wa loss wa modi mbili.
Chanzo hakiripoti hapa thamani tofauti za namba kwa \(\lambda_{\mathrm{vis}}\) na \(\lambda_{\mathrm{ir}}\). Haijadhaniwa kwamba ni sawa.
DAR hutambuaje tukio gumu kushambulia?
Attack error kwa tukio moja:
\[ e_s^t = 1- \frac{1}{M} \sum_{j=1}^{M} \operatorname{conf} (x_j\oplus P) \tag{7} \]
huhesabiwa kwa njia hiyo.
\(\operatorname{conf}(\cdot)\) ni confidence score ya detector kwa darasa lengwa. Katika ufafanuzi wa chanzo, \(e_s^t\) ndogo humaanisha detector bado inatambua lengo kwa confidence ya juu na kwa hiyo tukio hilo ni gumu zaidi kwa shambulio.
Usasishaji wa scene weight:
\[ w_s^{t+1} = \alpha w_s^t + (1-\alpha) \frac{ \exp(1-e_s^t) }{ \sum_{i=1}^{S} \exp(1-e_i^t) } \tag{8} \]
ni kama ulivyo hapo.
\(\alpha\) ni momentum smoothing factor na katika jaribio:
\[ \alpha=0.9 \]
imetumika.
Kwa attack error ndogo, \(1-e_s^t\) huongezeka; kwa kuwa sehemu ya exponential huongezeka, scene weight husika huongezeka. Kwa hiyo katika vizazi vinavyofuata optimizer hukutana mara nyingi zaidi na matukio magumu ambako detector bado inafanya kazi vizuri.
Matokeo ya DAR convergence
Supplementary analysis inaripoti kwamba uniform sampling hukaribia plateau mapema, population ya DAR inaweza kuonyesha ASR ya chini mwanzoni kwa sababu inalenga sampuli ngumu, lakini katika vizazi vya baadaye huunda late-stage breakthrough na kuongeza ASR ya jumla kwa takriban pointi 15 za asilimia.
Kwa kuwa chanzo hakitoi koordinati zote ghafi za generation–ASR za Figure 7 katika jedwali, Verianla haitoi curve hiyo kwa kuigeuza kuwa data ya namba na kuichora tena kwa usahihi bandia.
Mbinu na Matokeo ya Utafiti
Je, Matokeo ya ASR Yanamaanisha Mafanikio Halisi ya Kimwili Uwanjani?
Hapana; katika utafiti, thamani kubwa za ASR zimepatikana katika mazingira ya simulesheni ya matukio mengi yenye vikwazo vya sifa za kimwili za nyenzo, lakini hakuna jaribio pana la deployment ya kimwili linalojumuisha uvumilivu halisi wa utengenezaji, uso halisi wa gari, uhamishaji kamili wa mionzi wa mazingira na hali za muda mrefu za uwanja wazi.
Seti za data
DroneVehicle: chanzo kinasema kuwa ina jozi 28.439 za picha zinazoonekana–infraredi za UAV-view zilizosajiliwa kwa usahihi na zinazojumuisha hali kutoka mchana hadi usiku.
LLVIP: ni seti ya data inayolenga pedestrian detection katika mwanga hafifu na kutoa spatial alignment sahihi kati ya picha zinazoonekana na LWIR.
VisDrone: ni UAV benchmark ya kiwango kikubwa yenye mandharinyuma changamano na vitu vya ukubwa tofauti. Chanzo kinasema kilipanga mipangilio ya majaribio kwa kufuata kazi ya awali ya CDUPatch.
Victim detector
- YOLOv3
- YOLOv5
- YOLOv8
- YOLOv11
- Faster R-CNN
Modeli nne za kwanza ni za darasa la one-stage detector; Faster R-CNN inachukuliwa kama two-stage detector. Chanzo kinasema kwamba modeli ziliwekwa initialized na fine-tuned ili kufikia takriban confidence ya 0,9 kwenye picha benign za magari.
Mbinu za kulinganisha
Baseline nne zimejumuishwa katika ulinganisho mkuu:
- RandomPatch: baseline ya kuanzia ya nasibu ambapo nafasi na texture hazijaoptimishwa.
- TOUAP: dual-modal unified attack inayotumia pixel-level joint loss.
- UNIAP: mbinu ya universal patch inayotumia spatial constraint na cross-modal consistency loss.
- CDUPatch: mkabala wa visible-infrared universal adversarial patch unaotegemea rangi.
Chanzo kinasema kimepunguza ulinganisho mkuu kwa mbinu hizi nne kwa sababu Hot-Cold inalenga alama za joto za binadamu, MoXAttack haitoi maelezo ya kutosha ya implementation kwa faithful reproduction, na PAIP ni mtangulizi wa UNIAP.
Vigezo vya utekelezaji
| Kigezo | Thamani ya chanzo |
|---|---|
| Framework | PyTorch |
| Azimio la detector inference | pikseli 640 × 640 |
| Ukubwa wa population ya NSGA-II | 60 |
| Kiwango cha juu cha generation | 80 |
| DAR momentum \(\alpha\) | 0,9 |
| Tukio linalochaguliwa katika kila iteration \(K\) | 5 |
| Usanidi wa nafasi kwa kila tukio \(N\) | 3 |
| Kiwango cha juu cha patch coverage | %30 ya bounding box ya lengo |
| Vifaa vya kompyuta | NVIDIA GeForce RTX 4090 |
ASR ni nini?
Attack Success Rate (ASR), katika chanzo, inafafanuliwa kama uwiano wa hali ambapo detector haiwezi kutabiri kwa mafanikio kategoria sahihi na thamani ya bounding-box Intersection over Union (IoU) inabaki chini ya kizingiti kilichotumiwa.
IoU ni uwiano wa eneo la makutano kati ya bounding box iliyotabiriwa na ground-truth bounding box kwa eneo la muungano wao:
\[ \mathrm{IoU} = \frac{ \text{kesişim alanı} }{ \text{birleşim alanı} } \]
Mlinganyo huu wa IoU ni maelezo ya dhana; chanzo hakitoi tofauti thamani ya namba ya kizingiti cha IoU katika maandishi makuu ya mbinu ya ufafanuzi wa ASR. Kwa hiyo kizingiti hakijabuniwa.
Matokeo ya DroneVehicle
| Mbinu | 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 |
Matokeo ya ViSDrone
| Mbinu | 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 |
Matokeo ya LLVIP
| Mbinu | 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 na LPIPS zinaeleza nini?
Chanzo hutumia pia vipimo vya SSIM na LPIPS, si attack success pekee, ili kutathmini mwonekano wa asili unaoonekana wa perturbation.
SSIM (Structural Similarity Index Measure) hupima ufanano wa kimuundo; kwa tafsiri ya jumla, thamani ya juu inaashiria ufanano mkubwa zaidi.
LPIPS (Learned Perceptual Image Patch Similarity) hupima tofauti ya perceptual katika nafasi ya feature iliyojifunza; kwa tafsiri ya jumla, thamani ya chini inaashiria ufanano wa kuona wa juu zaidi.
| Hali | 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 |
Vipimo hivi havithibitishi kwamba patch “haitambuliki” kwa mwangalizi halisi wa binadamu. Vipimo vya ufanano wa picha na kutotambulika halisi kimwili si dhana ileile.
Transferability ya kuvuka modeli
| Modeli chanzo iliyoboreshwa | 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 |
Dokezo la notation: Ingawa maandishi makuu ya chanzo yanaiita modeli “Faster R-CNN (RCNN)”, lebo ya mstari wa Table 2 ni “Fast-RCNN”. Lebo ya jedwali imehifadhiwa katika umbo la chanzo.
Thamani za diagonal zinahusiana na hali ambapo optimizer inatathminiwa kwenye modeli ileile; thamani zisizo za diagonal zinahusiana na transfer kwenda detector tofauti. Kwa mfano, patch iliyoboreshwa kwenye YOLOv11 na kutoa %59,9 ASR kwenye RCNN inatafsiriwa na chanzo kama moja ya viashirio vya black-box transferability.
Utendaji wa matukio mengi
| Mbinu | 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 |
Chanzo kinasema kilitumia mazingira mbalimbali yaliyoiga hali halisi kama snowy field, desert na urban nightscape katika tathmini hii. Thamani za MEC-Patch kwenye detector tano zilibaki katika kiwango cha %53,5–59,0.
Waandishi wanahusisha uthabiti huu na uundaji wa intrinsic material emissivity na DAR kutoa uzito zaidi kwa mazingira magumu. Hii ni tafsiri ya utaratibu; si kipimo cha moja kwa moja cha uwanjani kinachoonyesha patch ya kimwili iliyotengenezwa katika hali halisi ya hewa itatoa ASR katika kiwango hicho hicho.
Ablation: jeni za nafasi, umbo na nyenzo zina umuhimu kiasi gani?
| Modeli lengwa | Mbinu | ASR ya mwanga unaoonekana | ASR ya infraredi |
|---|---|---|---|
| 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 |
Jeni la nafasi: \(g_{\mathrm{pos}}\) inapoondolewa, hasa infrared ASR hushuka hadi %18,5 kwa YOLOv5 na %15,2 kwa YOLOv11. Chanzo hutafsiri hili kama ushahidi kwamba nafasi ya patch kwa kuzingatia maeneo muhimu kisemantiki ya gari ni muhimu.
Jeni la umbo/topolojia: Chanzo kinaripoti kwamba muundo wa polar partition wa “Dartboard” umetoa faida ya takriban pointi 20–30 za asilimia za ASR ikilinganishwa na rectangular geometry isiyobadilika.
Jeni la nyenzo: \(g_{\mathrm{mat}}\) inapoondolewa na mwonekano wa infraredi kuundwa kwa heuristic intensity fitting, infrared ASR hushuka chini ya %18 kwa detector zote mbili. Huu ni mmoja wa ushahidi wenye nguvu zaidi wa ablation unaounga mkono kwa nini waandishi wa chanzo wanaweka uundaji wa kimwili unaotegemea emissivity katikati ya mbinu.
Tofauti ya usemi ndani ya chanzo: Aya kuu ya ablation hutumia mahali pamoja usemi “peak dual-modal ASR of 64.2% and 76.8%”. Hata hivyo Table 4 hiyo hiyo inatoa thamani kamili za MEC-Patch kwa YOLOv11 kama %61,0 / %78,4. Verianla imewasilisha thamani za modeli kama zilivyo kwenye jedwali na haijarekebisha kimya kimya tofauti ya maandishi–jedwali.
Unyeti kwa eneo la patch
Supplementary Figure 8 inachunguza patch-to-vehicle area ratio kati ya %10 na %50. Chanzo kinaripoti kwamba:
- eneo la %10 halitoi athari ya kutosha ya adversarial,
- karibu na %30 kuna ongezeko dhahiri ambapo ASR inazidi %70 katika seti zote za data,
- inapokaribia %50 ASR inakaribia kusambaa na kwenye LLVIP inakaribia takriban %100,
ndivyo inavyoripoti.
Hata hivyo, katika mpangilio mkuu wa majaribio eneo la patch limewekewa kikomo cha juu cha %30 ya bounding box ya lengo. Supplementary sensitivity analysis na constraint ya jaribio kuu hazipaswi kuchanganywa.
Unyeti kwa confidence threshold
Supplementary Figure 9 inachunguza ASR wakati detection threshold \(\tau\) inabadilika. Chanzo kinasema kwamba hata chini ya threshold kali kama \(\tau=0.3\), ASR ya juu huhifadhiwa na baada ya attack target response mara nyingi husukumwa chini ya takriban 0,15–0,20.
Threshold hii haipaswi kudhaniwa kuwa kigezo kilekile na IoU threshold katika ufafanuzi mkuu wa ASR; chanzo huzitumia katika miktadha tofauti ya tathmini.
Mfuatano wa Algorithm 1 wa chanzo
- Population ya mwanzo huundwa kutoka jeni za nafasi, umbo na nyenzo.
- Seli za Dartboard husimbwa kwa vitambulisho vya nyenzo za diskreti.
- DAR huchagua matukio \(K\) kwa kutumia scene weights zilizopo.
- Visible na infrared rendering hufanywa kwa kila genotype.
- ASR, stealth na area objective hutathminiwa.
- DAR husasisha uzito wa matukio kulingana na scene attack error.
- NSGA-II hutumia non-dominated sorting, tournament selection, SBX crossover na mutation.
- Offspring huunganishwa na population iliyopo.
- Candidate \(N\) zinazofuata huchaguliwa kwa crowding distance.
- Mwishoni mwa idadi iliyowekwa ya generation, genotype iliyochaguliwa kwa attack objective hubadilishwa kuwa final patch rendering.
Dokezo: Ingawa maandishi makuu ya mbinu hutumia usemi “candidate with the highest fitness” mwishoni mwa convergence, supplementary Algorithm 1 huandika uteuzi wa mwisho kama \(g^*=\arg\min f_{\mathrm{atk}}(g)\). Kwa kuwa objective zimeundwa kama cost/loss, usemi wa pili unaendana na mtiririko wa kihisabati; hata hivyo Verianla haifichi tofauti ya istilahi iliyo katika chanzo.
Matokeo yanayoungwa mkono na utafiti
- Rendering ya mwonekano–LWIR inayotegemea emissivity imetoa ASR kubwa ya kuvuka modi katika hali za simulesheni zilizochunguzwa.
- MEC-Patch imepata ASR ya juu zaidi kwa kiasi kikubwa kuliko RandomPatch na UNIAP katika seti zote tatu za data na detector zote zilizojaribiwa.
- Katika hali nyingi za Table 1, MEC-Patch pia imetoa ASR ya juu kuliko CDUPatch.
- Athari ya adversarial ya patch inayoweza kuhamia kwenye usanifu tofauti wa detector imeonekana.
- DAR imehusishwa na ongezeko la takriban pointi 15 za asilimia za ASR ya jumla katika supplementary convergence analysis ikilinganishwa na uniform sampling.
- Kila moja ya jeni za nafasi, umbo na nyenzo imechangia utendaji katika ablation.
- Hasa kuondoa sehemu ya nyenzo/emissivity kumesababisha kushuka kwa kiwango kikubwa cha infrared ASR.
- Chanzo kinaonyesha kwamba kutenganisha kwa kiasi fulani mwonekano unaoonekana na mwitikio wa emissivity wa LWIR katika kiwango cha nyenzo kunaweza kuvuruga multimodal feature alignment.
Matokeo ambayo utafiti hauungi mkono
- Haijaonyeshwa kwamba magari ya kujiendesha yanayofanya kazi katika trafiki halisi yanaweza kudanganywa kwa viwango vilevile.
- Majaribio yote kwa patch ya nyenzo 26 iliyotengenezwa na kufungwa kwenye gari halisi hayajakamilishwa.
- ASR ya simulesheni si uwezekano wa moja kwa moja wa mafanikio ya shambulio katika ulimwengu halisi.
- Haijaonyeshwa kwamba uhusiano wa Stefan–Boltzmann pekee unamodeli kikamilifu athari zote za radiative-transfer katika sensa halisi ya LWIR.
- Haidaiwi kwamba emissivity haibadiliki kwa nyenzo zote na katika hali zote za joto/mazingira.
- Haijaonyeshwa kwamba matokeo ya VisDrone, DroneVehicle au LLVIP yataenea kwa seti nyingine za data kwa namba zilezile.
- Transferability ileile dhidi ya usanifu wote wa multimodal detector nje ya YOLO na Faster R-CNN haijahakikishwa.
- Haijaonyeshwa kwamba mbinu haina kabisa unyeti kwa uvumilivu wa utengenezaji.
- Haijaonyeshwa kwamba kuongeza eneo la patch hutoa faida isiyo na kikomo; supplementary analysis inaonyesha kusambaa.
- Utafiti huu haujawasilishwa kwa madhumuni ya kuharibu mifumo halisi; chanzo kinauwekea mipaka katika muktadha wa tathmini ya kitaaluma ya usalama na maendeleo ya security-by-design.
Mapungufu
Usahihi wa utengenezaji: Usahihi wa kukata na kuunganisha miundo ya Dartboard yenye masafa ya juu unaweza kuathiriwa na uvumilivu wa utengenezaji wa kweli.
Maktaba ya nyenzo: Sehemu ya Supplementary inasema kwamba maktaba ya sasa ya nyenzo 26 inatosha kwa proof-of-concept lakini si exhaustive.
Mkabala wa 2B: Utafiti hutumia planar patch approximation. Curvature changamano ya nyuso halisi za magari inahitaji modeli ya 3B yenye maelezo zaidi.
Modeli ya radiative: Modeli hutumia dhana za kimwili kama local thermal equilibrium na self-emission dominance. Reflection kamili ya jua/mazingira na radiative transfer changamano hazijawekwa kwenye modeli kwa maelezo yote.
Tofauti ya simulesheni–deployment ya kimwili: Ingawa chanzo hutumia rendering inayolingana na fizikia na vikwazo vya nyenzo zinazoweza kutengenezwa, sehemu kubwa ya matokeo iko katika mazingira ya simulesheni yenye usahihi wa juu.
Mapendekezo ya kazi ya baadaye
Waandishi wanapendekeza kupanua maktaba ya nyenzo kwa coatings, fabrics na paints mpya za viwandani; kuhamia kutoka 2B planar approximation kwenda uundaji wa adversarial wa 3B wenye usahihi wa juu unaozingatia curvature ya uso halisi; na kuunganisha parametric mesh deformation na injini za rendering zinazotegemea fizikia ili kuunda matukio ya deployment yaliyo halisi zaidi.
Maelezo ya Chanzo na Mbinu
Kichwa asili: MEC-Patch: Visible-Infrared Cross-Modal Adversarial Attack Driven by Intrinsic Material Emissivity Laws
Waandishi na mpangilio: Zhixiang Huang; Xinbo Nie; Wenxuan Wang; Lu Yang; Xin Li; Xuelin Qian; Peng Wang.
Mchango sawa: Hakuna taarifa ya wazi ya equal-contribution / co-first-author iliyopatikana katika chanzo.
Alama za waandishi: Katika sehemu ya waandishi ya PDF kuna alama “*” karibu na Wenxuan Wang na “†” karibu na Xuelin Qian. Kwa kuwa hakuna footnote iliyopatikana katika maandishi ya PDF iliyochunguzwa inayofafanua wazi maana ya alama hizi mbili, corresponding-author au jukumu jingine halijadhaniwa.
Ushirika — Zhixiang Huang: Northwestern Polytechnical University, Xi’an, China.
Ushirika — Xinbo Nie: Northwestern Polytechnical University, Xi’an, China.
Ushirika — Wenxuan Wang: Northwestern Polytechnical University, Xi’an, China; Shenzhen Research Institute of Northwestern Polytechnical University, Shenzhen, China.
Ushirika — Lu Yang: Raytron Technology Co., Ltd, Xi’an, China.
Ushirika — Xin Li: City University of Hong Kong, Hong Kong, China.
Ushirika — Xuelin Qian: Northwestern Polytechnical University, Xi’an, China; Shenzhen Research Institute of Northwestern Polytechnical University, Shenzhen, China.
Ushirika — Peng Wang: Northwestern Polytechnical University, Xi’an, China.
ArXiv: arXiv:2608.05634v1 [cs.MM].
Tarehe ya kuwasilisha ArXiv: 6 Agosti 2026.
Aina ya uchapishaji: Makala ya utafiti wa mkutano wa ACM Multimedia / proceedings paper.
Mkutano: 34th ACM International Conference on Multimedia (MM ’26).
Tarehe za mkutano: 10–14 Novemba 2026.
Mahali pa mkutano: Rio de Janeiro, Brazil.
Mchapishaji: Association for Computing Machinery (ACM).
DOI: 10.1145/3767308.3835147.
ISBN: 979-8-4007-2213-4/2026/11.
Hali ya peer review: Utafiti ni makala ya mkutano iliyochapishwa katika proceedings za ACM Multimedia 2026. Miongozo rasmi ya ACM Multimedia 2026 inasema kwamba makala za mkutano hutumia mchakato wa peer-review na double-blind review.
Leseni: Creative Commons Attribution 4.0 International License (CC BY 4.0).
Eneo: Multimodal computer vision, object detection, adversarial robustness, security and privacy.
Seti za data: DroneVehicle, LLVIP, VisDrone.
Victim models: YOLOv3, YOLOv5, YOLOv8, YOLOv11 na Faster R-CNN.
Mbinu za kulinganisha: RandomPatch, TOUAP, UNIAP na CDUPatch.
Optimizesheni kuu: Physics-constrained NSGA-II + Dynamic Adversarial Resampling (DAR).
Mkabala wa rendering: Kwa visible branch sifa za RGB/reflectivity za nyenzo; kwa infrared branch Stefan–Boltzmann thermal-radiation mapping inayotegemea emissivity; TPS projection na alpha blending juu ya lengo.
Vigezo vya majaribio makuu: 640 × 640 inference; population 60; 80 generation; DAR \(\alpha=0.9\); \(K=5\) scene; kwa kila scene \(N=3\) spatial configuration; kiwango cha juu cha patch coverage %30; NVIDIA GeForce RTX 4090.
Ufadhili: National Natural Science Foundation of China (No. 62502387 na 62406252); China Postdoctoral Science Foundation (No. BX20250486 na 2025M784419); Natural Science Basic Research Program of Shaanxi (No. 2025JC-YBQN-861); Guangdong Basic and Applied Basic Research Foundation (No. 2025A1515011465 na 2025A1515010158); Postdoctoral Science Foundation of Shaanxi Province (No. 2025BSHSDZZ105).
Upatikanaji wa data: Hakuna Data Availability Statement tofauti iliyopatikana katika PDF iliyochunguzwa.
Mgongano wa maslahi: Hakuna taarifa tofauti ya Conflict of Interest / Competing Interests iliyopatikana katika PDF iliyochunguzwa.
Michango ya waandishi: Hakuna sehemu ya CRediT au Author Contributions tofauti iliyopatikana katika PDF iliyochunguzwa; majukumu ya michango hayajakisiwa.
Tofauti ya idadi ya nyenzo ndani ya chanzo: Maandishi ya majaribio makuu yanafafanua maktaba ya nyenzo \(N\) kama “kwa mfano 20” nyenzo wakilishi, huku supplementary Table 5 ikisema nyenzo 26 za viwandani zilitumika. Kauli hizi mbili zimehifadhiwa kama zilivyo katika chanzo.
Notation ya shape-genotype ndani ya chanzo: Katika mbinu kuu \(g_{\mathrm{sha}}\) hutumiwa, huku katika sehemu ya ablation ikitumiwa \(g_{\mathrm{shp}}\). Dhana inaelezwa kwa maana moja kama “shape genotype”; tofauti ya notation ya chanzo haijafichwa.
Dokezo la Mlinganyo (3): \(r(\theta)=\sqrt{(a\cos\theta)^2+(b\sin\theta)^2}\) imehifadhiwa katika umbo lililotolewa na chanzo; haijabadilishwa kimya kimya na fomula ya polar ya elipsi ya kawaida.
Dokezo la maandishi–jedwali la ablation: Katika maelezo ya chanzo kuna mahali usemi “64.2% and 76.8% peak dual-modal ASR”, huku Table 4 ikitoa thamani kamili za MEC-Patch kwa YOLOv11 kama %61,0 / %78,4. Thamani za modeli zimewasilishwa kama zilivyo kwenye jedwali.
Kikomo cha tafsiri ya kisayansi: Chanzo kinaweka MEC-Patch kama mfumo wa tathmini unaotegemea fizikia kwa ajili ya kugundua udhaifu wa usalama wa ulimwengu halisi; matokeo makuu ya kiasi yanatokana na simulesheni za usahihi wa juu zenye vikwazo vya fizikia. Hakujafanywa uthibitishaji mpana wa kimwili wa gari/trafiki halisi uwanjani.
Kikomo cha maadili/matumizi: Chanzo kinasema wazi katika supplementary discussion kwamba utafiti ulifanywa kwa madhumuni ya utafiti wa kitaaluma pekee, ili kutambua udhaifu wa usalama unaoweza kuwapo katika mifumo ya multimodal perception, na hautatumika kwa matumizi ya kibiashara.
Kazi ya baadaye: Maktaba pana zaidi ya material/coating/fabric/paint na uundaji wa adversarial wa 3B wenye usahihi wa juu unaozingatia curvature halisi ya kijiometria.
Acha maoni
Anwani yako ya barua pepe haitachapishwa. Sehemu za lazima zimewekewa alama ya *