MEC-Patch (Material Emissivity Controlled Patch) — чаҳорчӯбаи ҳамлаи adversarial-и байни-модалӣ бо маҳдудиятҳои физикӣ аст, ки барои арзёбии устувории adversarial-и системаҳои бисёрмодалии ошкорсозии объектҳо, ки тасвирҳои рӯшноии намоён (RGB) ва инфрасурхи мавҷи дароз (Long-Wave Infrared, LWIR)-ро якҷо истифода мебаранд, аз хосиятҳои дохилии физикии мавод, ба мисли эмиссивият, яъне коэффисиенти шуоъдиҳии гармӣ истифода мекунад. Кор ба ҷойи моделсозии perturbation-и инфрасурх танҳо тавассути шиддати сунъии пиксел ё ҳарорати тағйирёбандаи сатҳ, бо Қонуни Stefan–Boltzmann эмиссивияти маводро ба шуоъдиҳии гармӣ мепайвандад; мавқеъ, шакл ва интихоби дискретии маводро дар як genotype кодгузорӣ мекунад; ин фазои ҷустуҷӯии дискретӣ ва ғайрихаттиро бо NSGA-II оптимизатсия мекунад ва барои беҳтар кардани умумисозӣ дар шароити гуногуни муҳит стратегияи Dynamic Adversarial Resampling (DAR)-ро истифода мебарад. Натиҷаҳо дар маҷмуаҳои додаҳои DroneVehicle, LLVIP ва VisDrone бо як қатор detector-ҳои намоён–инфрасурх арзишҳои қавии ASR нишон медиҳанд; аммо арзёбӣ ба симулятсияҳои дақиқи баланди дорои маҳдудиятҳои физикӣ такя мекунад ва бо patch-ҳои дар муҳити воқеии ҳаракати нақлиёт сохташуда санҷиши васеи саҳроӣ анҷом дода нашудааст.
Нуқтаи ибтидоии кор ин аст, ки сенсорҳои намоён ва инфрасурх як объекти физикиро бо механизмҳои гуногуни электромагнитӣ тасвир мекунанд. Камераи RGB ба он сахт вобаста аст, ки сатҳ рӯшноии намоёнро чӣ гуна инъикос мекунад ва муҳит чӣ қадар равшан аст. Камераи LWIR бошад шуоъдиҳии гармии объектро сабт мекунад; ин шуоъдиҳӣ дар баробари ҳарорати сатҳ аз эмиссивияти мавод \(\epsilon\) муайян мешавад. Дар ҳоле ки баъзе корҳои пешинаи adversarial-и байни-модалӣ кӯшиш мекарданд намуди инфрасурхро бо гармкунӣ, хунуккунӣ ё тақсимоти муваққатии ҳарорат тағйир диҳанд, MEC-Patch мақсад дорад ба ҷойи тағйирёбандаи ҳолат, ба мисли ҳарорат, ки аз таъсирҳои муҳит зуд тағйир меёбад, аз хосияти дохилитарини мавод — эмиссивият — истифода кунад.
Физикаи асосие, ки кор истифода мебарад:
\[ j=\epsilon\sigma T^4 \]
муносибати Stefan–Boltzmann аст. Дар ин ҷо \(j\) миқдори қувваи умумии радиантии аз сатҳ хориҷшуда ба як воҳиди масоҳат, \(\epsilon\) эмиссивияти беандоза, \(\sigma\approx5.67\times10^{-8}\,\mathrm{W/(m^2K^4)}\) собити Stefan–Boltzmann ва \(T\) ҳарорати мутлақ бо воҳиди Kelvin мебошад. Тибқи фарзияи манбаъ, вақте як тағйири ҳарорат сигнали гармии ҳамаи минтақаҳои тақсимоти муайяни эмиссивиятро яксон миқёс мекунад, контрасти нисбии арзишҳои гуногуни эмиссивият метавонад нигоҳ дошта шавад. MEC-Patch аз ин идея истифода мекунад, ки чунин контрасти нисбӣ метавонад нисбат ба perturbation-ҳои муваққатии бар ҳарорат асосёфта дар муқобили тағйироти ҳарорати муҳит устувортар бошад.
Ин робитаи физикӣ худ аз худ patch-и ҳамларо муайян намекунад. Мавқеи patch дар рӯи ҳадаф, геометрияи берунии он ва тақсимоти мавод дар дохили он якҷо оптимизатсия мешаванд. Муҳаққиқон ин параметрҳоро бо genotype-и муттаҳидшуда дар шакли \(g=[g_{\mathrm{pos}},g_{\mathrm{sha}},g_{\mathrm{mat}}]\) ифода мекунанд. \(g_{\mathrm{pos}}\) мавқеи нормализатсияшудаи маркази patch-ро дар дохили bounding box-и ҳадаф, \(g_{\mathrm{sha}}\) шакли геометрӣ ва \(g_{\mathrm{mat}}\) идентификаторҳои дискретии маводро ифода мекунад.
Азбаски интихоби мавод дискретӣ аст ва раванди rendering-и намоён/инфрасурх сохтори сахт ғайрихаттӣ эҷод мекунад, кор ба ҷойи gradient descent-и классикӣ Non-dominated Sorting Genetic Algorithm II (NSGA-II)-ро истифода мебарад. Ҳамзамон се ҳадаф арзёбӣ мешаванд: муваффақияти ҳамла, пинҳонкории визуалӣ ва масоҳати patch. Механизми DAR ба ҷойи намунагирии муҳитҳои осон ва душвор бо эҳтимоли собит, бо гузашти вақт ба саҳнаҳои душворе, ки detector ҳанӯз бо confidence-и баланд кор мекунад, вазни бештар медиҳад.
Дар таҷрибаҳои асосӣ MEC-Patch дар DroneVehicle барои YOLOv3, YOLOv5, YOLOv8, YOLOv11 ва Faster R-CNN мутаносибан %72,5, %77,7, %81,7, %73,7 ва %64,1 ASR гузориш медиҳад. Дар ViSDrone арзишҳои мувофиқ %72,4, %72,0, %69,8, %69,0 ва %77,2; дар LLVIP бошад %80,3, %86,1, %80,8, %72,2 ва %77,1 мебошанд.
Таҷрибаҳои байни-моделӣ нишон медиҳанд, ки patch-и дар як detector оптимизатсияшуда метавонад қисман ба меъмории дигар интиқол ёбад. Масалан, patch-и дар модели сарчашмаи YOLOv11 оптимизатсияшуда дар Faster R-CNN %59,9 ASR ба даст меорад. Дар симулятсияҳои бисёрсаҳнавӣ арзишҳои ASR-и MEC-Patch дар панҷ detector байни %53,5 ва %59,0 мондаанд; арзишҳои RandomPatch тақрибан %0,4–1,4 ва арзишҳои UNIAP дар доираи %15,2–21,4 мебошанд.
Натиҷаҳои аблятсия нишон медиҳанд, ки ҳар се ҷузъи усул муҳиманд. Барои YOLOv5, MEC-Patch-и пурра дар модалиятҳои намоён/инфрасурх %64,2 / %76,8 ASR медиҳад, аммо ҳангоми хориҷ кардани genotype-и мавод ин арзишҳо ба %36,3 / %17,4 поён мераванд. Дар YOLOv11 усули пурра %61,0 / %78,4 аст, дар ҳоле ки пас аз хориҷ кардани genotype-и мавод %33,6 / %15,8 ба даст меояд. Пастшавии махсусан калон дар шохаи инфрасурх асоси муҳимест, ки кори манбаъ моделсозии эмиссивиятро ҷузъи марказии мутобиқати физикии байни-модалӣ мешуморад.
Ин натиҷаҳо нишон намедиҳанд, ки мошинҳои воқеӣ ноаён карда шудаанд ё системаҳои воқеии ронандагии худкор дар саҳро боэътимод аз кор бароварда шудаанд. Манбаъ корро ҳамчун арзёбии академии амниятӣ барои ошкор кардани осебпазирӣ дар системаҳои бисёрмодалии дарк ҷойгир мекунад. Муаллифон дақиқии истеҳсол, китобхонаи маҳдуди мавод ва равиши физикии 2B-ро ҳамчун маҳдудиятҳои ошкор зикр мекунанд.
MEC-Patch Чист ва Аз Ҳамлаҳои Пешинаи Байни-Модалӣ Чӣ Фарқ Дорад?
MEC-Patch усули арзёбии амниятӣ аст, ки барои таъсир расондан ба шохаҳои ошкорсозии намоён ва LWIR тавассути як patch-и физикӣ, хусусиятҳои рангу инъикоси намоён ва хусусиятҳои эмиссивияти инфрасурхро дар як genotype-и умумии мавод модел мекунад ва ин genotype-ро бо оптимизатсияи эволютсионии бисёрҳадафа бо маҳдудиятҳои физикӣ меҷӯяд.
Чаро танҳо ҳамлаи RGB кофӣ нест?
Visible-infrared fusion detector як объектро аз ду сенсори гуногун мебинад. Агар намунаи adversarial дар тасвири RGB танҳо камераи намоёнро фиреб диҳад, вале имзои гармии объект дар тасвири LWIR оддӣ бимонад, шабакаи fusion метавонад аз маълумоти модалияти дуюм истифода бурда объектро боз ҳам ошкор кунад. Аз ин рӯ perturbation-и якмодалӣ метавонад маълумоти захиравии аз санҷиши cross-modal consistency гирифташударо бартараф карда натавонад.
Масъалаи амниятие, ки MEC-Patch меомӯзад, ҳамин аст: оё як тағйири физикии сатҳ метавонад ҳам дар тасвири намоён ва ҳам дар инфрасурх имзое созад, ки раванди умумии feature fusion-и detector-ро вайрон кунад.
Чаро танҳо идора кардани ҳарорат ҳам метавонад мушкил бошад?
Ҳарорат \(T\) шахсияти тағйирнопазири мавод нест. Нури офтоб, шамол, шароити атмосфера, ҳолати кори худи ҳадаф ва ҳарорати муҳит метавонанд ҳарорати сатҳро тағйир диҳанд. Аз ин рӯ контрасти гармие, ки бо як тарҳи муайяни гармкунӣ ё хунуккунӣ сохта шудааст, метавонад дар муҳити дигар ҳамон гуна нигоҳ дошта нашавад.
Аз ҳамин сабаб манбаъ маркази модели ҳамларо аз ҳарорат ба эмиссивият мегузаронад. Эмиссивият хосияти беандозаи мавод аст, ки нишон медиҳад сатҳ нисбат ба ҷисми сиёҳи идеалӣ дар ҳамон ҳарорат чӣ қадар шуоъдиҳии гармӣ мебарорад.
Чаро Эмиссивият Асоси Физикии MEC-Patch Аст?
Дар модели манбаъ эмиссивият \(\epsilon\) имкон медиҳад контрасти нисбии гармӣ дар тасвири LWIR ба шахсияти мавод пайваст карда шавад; дар тақсимоти собити эмиссивият, ҳатто агар тағйири умумии ҳарорат сатҳи шуоъдиҳиро миқёс кунад, азбаски фарқҳои нисбии эмиссивияти маводҳои гуногун нигоҳ дошта мешаванд, намунаи фазоии инфрасурхи patch метавонад нисбат ба perturbation-ҳои муваққатии бар ҳарорат асосёфта устувортар модел карда шавад.
Қонуни Stefan–Boltzmann
Манбаъ Муодилаи (2):
\[ j=\epsilon\cdot\sigma\cdot T^4 \tag{2} \]
Формула чиро ҳисоб мекунад? Дар модели идеализатсияшуда, қувваи умумии шуоъдиҳии гармии сатҳ ба як воҳиди масоҳатро.
\(j\): зичии қувваи радиантии хориҷшаванда; воҳидаш \(\mathrm{W/m^2}\).
\(\epsilon\): эмиссивият; беандоза аст.
\(\sigma\): собити Stefan–Boltzmann:
\[ \sigma\approx5.67\times10^{-8}\, \mathrm{W/(m^2K^4)} \]
\(T\): ҳарорати мутлақ; воҳидаш Kelvin аст.
Санҷиши воҳид:
\[ 1\times \frac{\mathrm{W}}{\mathrm{m^2K^4}} \times \mathrm{K^4} = \frac{\mathrm{W}}{\mathrm{m^2}} \]
бинобар ин муодила аз ҷиҳати андозагӣ мувофиқ аст.
Дар муодила мавҷуд будани ҳарорат дар дараҷаи чорум нишон медиҳад, ки ҳарорати мутлақ ба шуоъдиҳии гармӣ таъсири қавии ғайрихаттӣ дорад. Аммо нуқтаи таъкиди MEC-Patch ин аст, ки агар ҳуҷайраҳои гуногуни patch дар як вақт муҳити гармии монанд дошта бошанд, фарқҳои эмиссивият метавонанд ҳанӯз ҳам контрасти нисбии шуоъдиҳиро муайян кунанд.
Ин шарҳ модели пурраи интиқоли радиативии атмосфера/сатҳ нест. Манбаъ низ ба таври равшан мегӯяд, ки инъикосҳои муҳитӣ ва офтобӣ дар интиқоли пурраи радиативӣ мавҷуданд. Модели истифодашуда фарз мекунад, ки дар шароити маъмулии ронандагӣ ҳангоми \(T_{\mathrm{obj}}>T_{\mathrm{env}}\) self-emission бартарӣ дорад.
Гузариш ба шиддати тасвири LWIR
Манбаъ интиқоли шуоъдиҳии гармиро ба тасвири grayscale-и сенсор чунин медиҳад:
\[ I=M\left(\epsilon_i\sigma T^4\right) \tag{4} \]
таъриф мекунад.
Дар ин ҷо \(I\) шиддати рақамии пиксел дар тасвири инфрасурх; \(\epsilon_i\) эмиссивияти маводи \(i\)-ум; \(M(\cdot)\) бошад функсияи mapping мебошад, ки арзиши физикии шуоъдиҳии гармиро ба диапазони рақамии grayscale-и сенсор табдил медиҳад.
Манбаъ функсияи муфассали transfer-и сенсорро барои \(M(\cdot)\) алоҳида намедиҳад. Аз ин рӯ матни Verianla \(M\)-ро ҳамчун каҷи муайяни калибровкаи камера сохтакорӣ намекунад.
Фарзияи мувозинати гармии маҳаллӣ
Модели rendering фарзияи local thermal equilibrium-ро истифода мебарад. Манбаъ мегӯяд, ки дар доираи ин фарзия, бо назардошти муодилаҳои Fresnel ва қонуни Kirchhoff, эмиссивияти мавод ба ҳарорат танҳо суст вобаста аст ва модел контрасти устуворро дар диапазони \(-20^\circ\mathrm{C}\) то \(50^\circ\mathrm{C}\) фарз мекунад.
Ин диапазон маънои онро надорад, ки эмиссивияти ҳамаи маводҳо дар ҳаёти воқеӣ ҳатман тағйирнопазир аст; ин фарзияи физикии кори модел мебошад.
Ҳадафи китобхонаи мавод чист?
Китобхонаи мавод вариантҳое пешниҳод мекунад, ки дар онҳо рангу инъикоси намоён ва эмиссивияти LWIR то андозае аз ҳам ҷудо карда мешаванд. Манбаъ аз он истифода мекунад, ки сатҳҳои дорои намуди монанд ё танзимшаванда дар спектри намоён метавонанд аз ҷиҳати эмиссивияти инфрасурх ба таври назаррас фарқ кунанд.
| Мавод | Эмиссивияти манбаъ \(\epsilon\) | Таснифи IR дар манбаъ |
|---|---|---|
| Фолгаи алюминий | 0,04 | Хеле сард |
| Миси зардии сайқалшудаи оксиднашуда | 0,06 | Хеле сард |
| Пӯлоди зангногир | 0,15 | Сард |
| Al-и табиӣ анодшуда, 5 µm | 0,25 | Сард |
| Al-и сиёҳ анодшуда, 15 µm | 0,55 | Миёна-гарм |
| Al-и сахти амиқсиёҳ анодшуда, 50 µm | 0,82 | Гарм |
| Керамика | 0,84–0,86 | Гарм |
| Каучук | 0,90 | Хеле гарм |
Фарқи рақамҳо дар дохили манбаъ: Дар бахши таҷрибаи асосӣ китобхонаи мавод \(N\) ҳамчун “масалан 20” маводи намояндагии саноатӣ тавсиф мешавад. Supplementary Table 5 бошад мегӯяд, ки 26 маводи саноатии дар таҷрибаҳо истифодашударо рӯйхат мекунад. Азбаски ҳар ду изҳорот дар манбаъ якҷо мавҷуданд, Verianla якеашро хомӯшона бо дигаре иваз намекунад.
Масъалаи multimodal object detection чӣ гуна формула мешавад?
Detector-и бисёрмодалии пешакӣ омӯзонидашуда:
\[ f(\cdot) \]
ду тасвири registered-ро ҳамчун вуруд қабул мекунад:
\[ X_{\mathrm{vis}}\in\mathbb{R}^{H\times W\times3} \]
ва:
\[ X_{\mathrm{ir}}\in\mathbb{R}^{H\times W}. \]
Тензори аввал нишон медиҳад, ки тасвири RGB \(H\times W\) пиксел ва се канали ранг дорад, тензори дуюм бошад тасвири LWIR-ро бо як канали шиддат ифода мекунад.
Ҳадафи оптимизатсияи манбаъ дар Муодилаи (1):
\[ \min_G \mathbb{E}_{s\in S} \left[ f\left( X_{\mathrm{vis}}\oplus P(G), X_{\mathrm{ir}}\oplus P(G) \right) \right] \tag{1} \]
ба ин шакл аст.
\(G\) genotype-е мебошад, ки параметрҳои геометрӣ, топологӣ ва маводии patch-ро дар бар мегирад; \(P(G)\) patch-и аз genotype ҳосилшуда; \(S\) тақсимоти саҳнаҳо; \(\oplus\) амали projection ва blending-и фазоии patch ба тасвирро нишон медиҳад.
Ҳадафи оптимизатсия кам кардани confidence-и detector барои синфи ҳадаф дар саҳнаҳои гуногун мебошад.
Чаро genotype ба се қисм ҷудо мешавад?
Genotype-и муттаҳидшуда:
\[ g= [g_{\mathrm{pos}},g_{\mathrm{sha}},g_{\mathrm{mat}}] \]
таъриф мешавад.
\(g_{\mathrm{pos}}\): гени мавқеъ.
\[ g_{\mathrm{pos}}=[x_{\mathrm{rel}},y_{\mathrm{rel}}] \]
координатаҳои нисбии нормализатсияшуда маркази patch-ро дар дохили bounding box-и нақлиёти ҳадаф муайян мекунанд. Аз ин рӯ мавқеъ бевосита аз координатаи мутлақи пиксел вобаста нест ва ҳангоми калон ё хурд шудани объект дар тасвир нигоҳ доштани мавқеи семантикӣ ҳадаф гирифта мешавад.
\(g_{\mathrm{sha}}\): гени шакл. Геометрияи берунии макроскопии patch-ро идора мекунад.
\(g_{\mathrm{mat}}\): гени мавод. Кодгузорӣ мекунад, ки ба ҳуҷайраҳои Dartboard кадом маводи дискретии физикӣ таъин карда шавад.
Шакли Муодилаи (3) дар манбаъ
Манбаъ барои контури patch:
\[ r(\theta)= \sqrt{ (a\cos\theta)^2+ (b\sin\theta)^2 } \tag{3} \]
ифодаро медиҳад.
\(a\) ва \(b\) аз ҷониби манбаъ ҳамчун semi-axis parameters таъриф шудаанд ва барои идора кардани гузариш аз шаклҳои доиравӣ ба контурҳои монанд ба эллипси мутаносиб истифода мешаванд.
Ёддошти вафодорӣ ба манбаъ: Verianla ин муодиларо ба ҳамон шакле нигоҳ медорад, ки дар мақола навишта шудааст. Ифода бо формулаи маъмули радиуси қутбии эллипси стандартӣ аз марказ то сарҳад, ки дар китобҳои математика зиёд истифода мешавад, яксон нест. Манбаъ шояд таърифи дигари параметрӣ/радиалӣ истифода карда бошад; азбаски изҳороти ошкори ислоҳ вуҷуд надорад, формула хомӯшона тағйир дода нашудааст.
Топологияи Dartboard чист?
Минтақаи дохилии patch ба секторҳои кунҷии \(N_\theta\) ва ҳалқаҳои радиалии \(N_r\) ҷудо мешавад. Ҳар ҳуҷайра метавонад идентификатори алоҳидаи мавод дошта бошад.
Муҳаққиқон ин сохторро бо ду сабаб истифода мебаранд: таъмин кардани topology-и муназзаме, ки дар он маводҳои дискретиро бо алгоритми эволютсионӣ ҷустуҷӯ кардан мумкин аст, ва ба ҷойи канорҳои хеле мураккаби шакли озод сохтани минтақаҳои модулии осонтар барои истеҳсол.
Чаро NSGA-II ва DAR Якҷо Истифода Мешаванд?
NSGA-II дар фазои ҷустуҷӯии ғайрихаттӣ ва ғайридефференсиалӣ, ки аз интихоби мавқеъ, шакл ва маводи дискретӣ ҳосил мешавад, байни ҳадафҳои муваффақияти ҳамла, пинҳонкорӣ ва масоҳат ҳалли мувофиқи Pareto меҷӯяд; DAR бошад ҳангоми арзёбӣ ба муҳитҳои душвор тадриҷан вазни намунагирии баландтар дода, аз азҳад мутобиқ шудани оптимизатсия ба як тақсимоти саҳна кам карданро ҳадаф мегирад.
Чаро ба ҷойи оптимизатсияи gradient асосёфта NSGA-II?
\(g_{\mathrm{mat}}\) вектори пайвастаи ададҳои ҳақиқӣ нест, балки идентификаторҳои дискретии маводро дар бар мегирад. Иваз кардани як мавод бо маводи дигар ҳатман табдили тасвирии пайваста ва differentiable намесозад.
Аз ҳамин сабаб манбаъ NSGA-II-ро истифода мебарад. Дар ҳар evolutionary iteration, candidate genotype population:
\[ P_t=\{g_1,\ldots,g_N\} \]
болои он tournament selection, simulated binary crossover ва polynomial mutation татбиқ мешаванд. Non-dominated sorting ва crowding distance ба ҷойи як scalar optimum кӯшиш мекунанд гуногунии candidate-ҳои Pareto-optimal-ро байни ҳадафҳои эҳтимолан зиддиятнок нигоҳ доранд.
Функсияи fitness-и сеҳадафа
Манбаъ:
\[ \Phi(g)= \left[ f_{\mathrm{atk}}(g), f_{\mathrm{stealth}}(g), f_{\mathrm{area}}(g) \right]^T \tag{5} \]
ифодаро истифода мебарад.
\(f_{\mathrm{atk}}\): attack objective дар шохаҳои намоён ва инфрасурх.
\(f_{\mathrm{stealth}}\): stealth objective, ки кӯшиш мекунад тақсимоти ранги patch-ро ба замина наздик кунад.
\(f_{\mathrm{area}}\): area objective, ки масоҳати аз ҳад калони patch-ро ҷарима мекунад.
Attack objective-и ду модалият
Муодилаи (6)-и манбаъ:
\[ f_{\mathrm{atk}}(g) = \mathbb{E}_{s\in S} \left[ \lambda_{\mathrm{vis}} L\left( f(R_{\mathrm{vis}}(g,s)),y \right) + \lambda_{\mathrm{ir}} L\left( f(R_{\mathrm{ir}}(g,s)),y \right) \right] \tag{6} \]
ба ин шакл аст.
\(L\) prediction loss; \(R_{\mathrm{vis}}\) оператори rendering-и намоён; \(R_{\mathrm{ir}}\) оператори rendering-и инфрасурх; \(s\) scene state-и аз ҷониби DAR намунагиришуда; \(y\) синфи ground-truth-и ҳадаф; \(\lambda_{\mathrm{vis}}\) ва \(\lambda_{\mathrm{ir}}\) вазнҳои loss-и ду модалият мебошанд.
Манбаъ барои \(\lambda_{\mathrm{vis}}\) ва \(\lambda_{\mathrm{ir}}\) дар ин ҷо арзишҳои ададии ҷудогона гузориш намедиҳад. Баробар будани онҳо фарз нашудааст.
DAR саҳнаи душвор барои ҳамларо чӣ гуна муайян мекунад?
Attack error барои як саҳна:
\[ e_s^t = 1- \frac{1}{M} \sum_{j=1}^{M} \operatorname{conf} (x_j\oplus P) \tag{7} \]
ҳисоб мешавад.
\(\operatorname{conf}(\cdot)\) confidence score-и detector барои синфи ҳадаф аст. Дар таърифи манбаъ \(e_s^t\)-и паст маънои онро дорад, ки detector ҳадафро ҳанӯз бо confidence-и баланд ошкор мекунад ва аз ин рӯ саҳна барои ҳамла душвортар аст.
Навсозии scene weight:
\[ w_s^{t+1} = \alpha w_s^t + (1-\alpha) \frac{ \exp(1-e_s^t) }{ \sum_{i=1}^{S} \exp(1-e_i^t) } \tag{8} \]
ба ин шакл аст.
\(\alpha\) momentum smoothing factor мебошад ва дар таҷриба:
\[ \alpha=0.9 \]
истифода шудааст.
Барои attack error-и паст \(1-e_s^t\) калон мешавад; чун ҳади exponential калон мешавад, scene weight-и дахлдор меафзояд. Аз ин рӯ optimizer дар наслҳои баъдӣ бештар бо саҳнаҳои душворе рӯ ба рӯ мешавад, ки detector дар онҳо ҳанӯз хуб кор мекунад.
Натиҷаи DAR convergence
Supplementary analysis гузориш медиҳад, ки uniform sampling барвақт ба plateau наздик мешавад; population-и DAR дар оғоз ба намунаҳои душвор тамаркуз карда, метавонад ASR-и пасттар нишон диҳад, аммо дар наслҳои баъдӣ late-stage breakthrough эҷод карда, ASR-и глобалиро тақрибан 15 банди фоизӣ зиёд мекунад.
Азбаски манбаъ тамоми координатаҳои хоми generation–ASR-и Figure 7-ро дар шакли ҷадвал намедиҳад, Verianla ин curve-ро рақамисозӣ карда бо дақиқии сохта аз нав намекашад.
Усул ва Натиҷаҳои Таҳқиқот
Оё Натиҷаҳои ASR Муваффақияти Воқеии Физикиро дар Саҳро Маъно Медиҳанд?
Не; дар кор арзишҳои баланди ASR дар муҳитҳои симулятсионии бисёрсаҳнавӣ бо маҳдудиятҳои хосиятҳои физикии мавод ба даст омадаанд, аммо озмоиши фарогири deployment-и физикӣ, ки таҳаммулҳои истеҳсолии воқеӣ, сатҳи воқеии воситаи нақлиёт, интиқоли пурраи радиативии муҳит ва шароити дарозмуддати саҳрои кушодро дар бар гирад, пешниҳод нашудааст.
Маҷмуаҳои додаҳо
DroneVehicle: манбаъ мегӯяд, ки он шароити аз рӯз то шабро фаро гирифта, 28.439 ҷуфти тасвири намоён–инфрасурхи UAV-view бо registration-и дақиқ дорад.
LLVIP: маҷмуаи додаест, ки ба pedestrian detection дар рӯшноии кам тамаркуз карда, байни тасвирҳои намоён/LWIR spatial alignment-и дақиқ таъмин мекунад.
VisDrone: benchmark-и бузурги UAV бо заминаҳои мураккаб ва объектҳои миқёси гуногун аст. Манбаъ мегӯяд, ки танзимоти таҷрибаро бо пайравӣ аз кори пешинаи CDUPatch сохтааст.
Victim detector-ҳо
- YOLOv3
- YOLOv5
- YOLOv8
- YOLOv11
- Faster R-CNN
Чор модели аввал ба синфи one-stage detector дохил мешаванд; Faster R-CNN ҳамчун two-stage detector баррасӣ шудааст. Манбаъ мегӯяд, ки моделҳо дар тасвирҳои benign-и воситаи нақлиёт тавре initialized ва fine-tuned шудаанд, ки ба confidence-и тақрибан 0,9 расанд.
Усулҳои муқоиса
Ба муқоисаи асосӣ чор baseline дохил карда шудааст:
- RandomPatch: baseline-и ибтидоии тасодуфӣ, ки мавқеъ ва texture дар он оптимизатсия нашудаанд.
- TOUAP: dual-modal unified attack, ки pixel-level joint loss истифода мекунад.
- UNIAP: усули universal patch, ки spatial constraint ва cross-modal consistency loss истифода мекунад.
- CDUPatch: равиши visible-infrared universal adversarial patch-и бар ранг асосёфта.
Манбаъ мегӯяд, ки муқоисаи асосиро бо ҳамин чор усул маҳдуд кардааст, зеро Hot-Cold ба имзои гармии инсон нигаронида шудааст, MoXAttack барои faithful reproduction тафсилоти кофии implementation намедиҳад ва PAIP пешгузаштаи UNIAP мебошад.
Параметрҳои татбиқ
| Параметр | Арзиши манбаъ |
|---|---|
| Framework | PyTorch |
| Қарори detector inference | 640 × 640 пиксел |
| Андозаи популятсияи NSGA-II | 60 |
| Максимуми generation | 80 |
| DAR momentum \(\alpha\) | 0,9 |
| Саҳнаи интихобшуда дар ҳар iteration \(K\) | 5 |
| Конфигуратсияи фазоӣ барои ҳар саҳна \(N\) | 3 |
| Максимуми patch coverage | %30-и bounding box-и ҳадаф |
| Таҷҳизоти ҳисоббарорӣ | NVIDIA GeForce RTX 4090 |
ASR чист?
Attack Success Rate (ASR), дар манбаъ ҳамчун ҳиссаи ҳолатҳое таъриф мешавад, ки detector категорияи дурустро бомуваффақият пешгӯӣ карда наметавонад ва арзиши bounding-box Intersection over Union (IoU) аз ҳадди истифодашуда паст мемонад.
IoU нисбати масоҳати буриши bounding box-и пешгӯишуда ва ground-truth bounding box ба масоҳати иттиҳоди онҳост:
\[ \mathrm{IoU} = \frac{ \text{kesişim alanı} }{ \text{birleşim alanı} } \]
Ин муодилаи IoU шарҳи консептуалӣ аст; манбаъ дар таърифи ASR арзиши ададии ҳадди IoU-ро дар матни асосии усул алоҳида намедиҳад. Аз ин рӯ ҳадд сохта нашудааст.
Натиҷаҳои DroneVehicle
| Усул | 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 |
Натиҷаҳои ViSDrone
| Усул | 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 |
Натиҷаҳои LLVIP
| Усул | 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 ва LPIPS чӣ нишон медиҳанд?
Манбаъ на танҳо attack success, балки барои арзёбии намуди табиии зоҳирии perturbation аз меъёрҳои SSIM ва LPIPS низ истифода мекунад.
SSIM (Structural Similarity Index Measure) монандии сохториро чен мекунад; дар тафсири умумӣ арзиши баландтар ба монандии бештар ишора мекунад.
LPIPS (Learned Perceptual Image Patch Similarity) фарқи perceptual-ро дар фазои feature-и омӯзонидашуда чен мекунад; дар тафсири умумӣ арзиши пасттар ба монандии визуалии баландтар ишора мекунад.
| Шароит | 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 |
Ин метрикҳо исбот намекунанд, ки patch барои нозири воқеии инсон “ноаён” аст. Метрикаҳои монандии тасвир ва ноаёнии воқеии физикӣ як мафҳум нестанд.
Transferability-и байни-моделӣ
| Модели сарчашмаи оптимизатсияшуда | 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 |
Ёддошти нотация: Дар ҳоле ки матни асосии манбаъ моделро “Faster R-CNN (RCNN)” меномад, тамғаи сатри Table 2 “Fast-RCNN” аст. Тамғаи ҷадвал ба ҳамон шакли манбаъ нигоҳ дошта шудааст.
Арзишҳои диагоналӣ ба ҳолате мувофиқанд, ки optimizer дар ҳамон модел арзёбӣ мешавад; арзишҳои берун аз диагонал ба transfer ба detector-и дигар мувофиқанд. Масалан, он ки patch-и дар YOLOv11 оптимизатсияшуда дар RCNN %59,9 ASR медиҳад, аз ҷониби манбаъ ҳамчун яке аз нишондиҳандаҳои black-box transferability тафсир мешавад.
Иҷроиши бисёрсаҳнавӣ
| Усул | 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 |
Манбаъ мегӯяд, ки дар ин арзёбӣ муҳитҳои гуногуни симулятсионӣ, ба мисли snowy field, desert ва urban nightscape истифода шудаанд. Арзишҳои MEC-Patch дар панҷ detector дар доираи %53,5–59,0 боқӣ мондаанд.
Муаллифон ин устувориро ба intrinsic material emissivity modeling ва вазн додани DAR ба муҳитҳои душвор нисбат медиҳанд. Ин тафсири механизм аст; ченаки мустақими саҳроӣ нест, ки patch-и физикии дар шароити воқеии обу ҳаво сохташуда ҳамон доираи ASR-ро медиҳад.
Аблятсия: генҳои мавқеъ, шакл ва мавод то чӣ андоза муҳиманд?
| Модели ҳадаф | Усул | ASR-и намоён | ASR-и инфрасурх |
|---|---|---|---|
| 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 |
Гени мавқеъ: Ҳангоми хориҷ кардани \(g_{\mathrm{pos}}\), махсусан infrared ASR дар YOLOv5 ба %18,5 ва дар YOLOv11 ба %15,2 мефарояд. Манбаъ инро ҳамчун далели аҳамияти мавқеи patch нисбат ба минтақаҳои аз ҷиҳати семантикӣ муҳими воситаи нақлиёт тафсир мекунад.
Гени шакл/топология: Манбаъ гузориш медиҳад, ки сохтори polar partition-и “Dartboard” нисбат ба муқоисаи rectangular geometry-и собит тақрибан 20–30 банди фоизӣ ASR бартарӣ додааст.
Гени мавод: Вақте \(g_{\mathrm{mat}}\) хориҷ шуда, намуди инфрасурх бо heuristic intensity fitting модел карда мешавад, infrared ASR барои ҳар ду detector аз %18 поён мефарояд. Ин яке аз қавитарин далелҳои аблятсионӣ аст, ки чаро муаллифони манбаъ моделсозии физикии бар эмиссивият асосёфтаро дар маркази усул мегузоранд.
Фарқи ифода дар дохили манбаъ: Дар як ҷой параграфи асосии аблятсия ибораи “peak dual-modal ASR of 64.2% and 76.8%”-ро истифода мебарад. Аммо ҳамон Table 4 арзишҳои пурраи MEC-Patch барои YOLOv11-ро %61,0 / %78,4 медиҳад. Verianla барои арзишҳои вобаста ба модел ҷадвалро айнан овардааст ва фарқи матн–ҷадвалро хомӯшона ислоҳ накардааст.
Ҳассосият ба масоҳати patch
Supplementary Figure 8 patch-to-vehicle area ratio-ро аз %10 то %50 меомӯзад. Манбаъ мегӯяд:
- масоҳати %10 таъсири adversarial-и кофӣ намедиҳад,
- дар атрофи %30 дар ҳамаи маҷмуаҳои додаҳо болоравии намоёне дида мешавад, ки ASR аз %70 мегузарад,
- ҳангоми наздик шудан ба %50 ASR ба сершавӣ наздик мешавад ва дар LLVIP тақрибан ба %100 мерасад,
гуфориш медиҳад.
Аммо дар тарҳи асосии таҷриба масоҳати patch бо ҳадди аксар %30-и bounding box-и ҳадаф маҳдуд шудааст. Supplementary sensitivity analysis ва constraint-и таҷрибаи асосӣ набояд омехта шаванд.
Ҳассосият ба confidence threshold
Supplementary Figure 9 ASR-ро ҳангоми тағйири detection threshold \(\tau\) меомӯзад. Манбаъ мегӯяд, ки ҳатто зери threshold-и сахт, ба мисли \(\tau=0.3\), ASR-и баланд нигоҳ дошта мешавад ва пас аз attack target response одатан то тақрибан 0,15–0,20 поён фишурда мешавад.
Ин threshold набояд бо IoU threshold дар таърифи асосии ASR як параметр шуморида шавад; манбаъ онҳоро дар контекстҳои гуногуни арзёбӣ истифода мекунад.
Тартиби кории Algorithm 1-и манбаъ
- Аз генҳои мавқеъ, шакл ва мавод population-и ибтидоӣ сохта мешавад.
- Ҳуҷайраҳои Dartboard бо идентификаторҳои дискретии мавод кодгузорӣ мешаванд.
- DAR бо scene weights-и мавҷуда \(K\) саҳнаро интихоб мекунад.
- Барои ҳар genotype visible ва infrared rendering иҷро мешавад.
- ASR, stealth ва area objective-ҳо арзёбӣ мешаванд.
- DAR вазнҳои саҳнаро мувофиқи scene attack error-ҳо нав мекунад.
- NSGA-II non-dominated sorting, tournament selection, SBX crossover ва mutation татбиқ мекунад.
- Offspring бо population-и мавҷуда якҷо карда мешавад.
- Бо crowding distance \(N\) candidate-и навбатӣ интихоб мешаванд.
- Дар поёни шумораи муқарраршудаи generation genotype-и интихобшуда аз рӯи attack objective ба final patch rendering табдил дода мешавад.
Ёддошт: Дар ҳоле ки матни асосии усул дар охири convergence ибораи “candidate with the highest fitness”-ро истифода мебарад, supplementary Algorithm 1 интихоби ниҳоиро ба шакли \(g^*=\arg\min f_{\mathrm{atk}}(g)\) менависад. Азбаски objective-ҳо ҳамчун cost/loss сохта шудаанд, ифодаи дуюм бо ҷараёни математикӣ мувофиқ аст; аммо Verianla фарқи терминологии манбаъро пинҳон намекунад.
Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад
- Rendering-и намоён–LWIR бар асоси эмиссивият дар шароити симулятсионии омӯхташуда ASR-и қавии байни-модалӣ ба вуҷуд овард.
- MEC-Patch дар ҳар се маҷмуаи додаҳо ва дар ҳамаи detector-ҳои санҷидашуда ASR-и ба таври равшан баландтар аз RandomPatch ва UNIAP ба даст овард.
- Дар бисёр шароити Table 1, MEC-Patch аз CDUPatch низ ASR-и баландтар ба даст овард.
- Таъсири adversarial-и patch-ҳо, ки ба меъмориҳои гуногуни detector интиқол меёбад, мушоҳида шуд.
- DAR дар supplementary convergence analysis нисбат ба uniform sampling бо афзоиши тақрибан 15 банди фоизии ASR-и глобалӣ алоқаманд карда шудааст.
- Ҳар яке аз генҳои мавқеъ, шакл ва мавод дар аблятсия ба иҷроиш саҳм гузоштааст.
- Махсусан хориҷ кардани ҷузъи мавод/эмиссивият дар infrared ASR пастшавии калон ба вуҷуд овард.
- Манбаъ нишон медиҳад, ки қисман ҷудо кардани намуди намоён ва ҷавоби эмиссивияти LWIR дар сатҳи мавод метавонад multimodal feature alignment-ро вайрон кунад.
Натиҷаҳое, ки таҳқиқот дастгирӣ намекунад
- Нишон дода нашудааст, ки воситаҳои нақлиёти худкори дар ҳаракати воқеӣ коркунанда бо ҳамон нисбатҳо фиреб дода мешаванд.
- Ҳамаи таҷрибаҳо бо patch-и 26-мавода, ки барои як автомобили воқеӣ сохта ва насб шудааст, анҷом дода нашудаанд.
- ASR-и симулятсия мустақиман эҳтимоли муваффақияти ҳамла дар ҷаҳони воқеӣ нест.
- Нишон дода нашудааст, ки муносибати Stefan–Boltzmann танҳо худаш ҳамаи таъсирҳои radiative-transfer дар сенсори воқеии LWIR-ро пурра модел мекунад.
- Иддао намешавад, ки эмиссивият дар ҳамаи маводҳо ва дар ҳамаи шароити ҳарорат/муҳит тағйирнопазир аст.
- Нишон дода нашудааст, ки натиҷаҳои VisDrone, DroneVehicle ё LLVIP бо ҳамон рақамҳо ба дигар маҷмуаҳои додаҳо умумӣ мешаванд.
- Барои ҳамаи меъмориҳои multimodal detector ғайр аз YOLO ва Faster R-CNN ҳамон transferability кафолат дода намешавад.
- Нишон дода нашудааст, ки усул ба таҳаммулҳои истеҳсолӣ комилан бетаъсир аст.
- Нишон дода нашудааст, ки калон кардани масоҳати patch фоидаи бемаҳдуд медиҳад; supplementary analysis сершавиро нишон медиҳад.
- Ин таҳқиқот барои саботаж кардани системаҳои воқеӣ пешниҳод нашудааст; манбаъ онро дар доираи арзёбии академии амниятӣ ва рушди security-by-design маҳдуд мекунад.
Маҳдудиятҳо
Дақиқии истеҳсол: Дақиқии буридан ва пайваст кардани намунаҳои басомади баланди Dartboard метавонад аз таҳаммулҳои воқеии истеҳсолӣ таъсир гирад.
Китобхонаи мавод: Supplementary section мегӯяд, ки китобхонаи мавҷудаи 26-мавода барои proof-of-concept кофӣ аст, аммо exhaustive нест.
Равиши 2B: Кор planar patch approximation истифода мекунад. Curvature-и мураккаби сатҳҳои воқеии воситаи нақлиёт модели муфассалтари 3B талаб мекунад.
Модели радиативӣ: Модел фарзияҳои физикӣ, ба мисли local thermal equilibrium ва self-emission dominance-ро истифода мебарад. Reflection-и пурраи офтоб/муҳит ва radiative transfer-и мураккаб бо тамоми тафсилот модел карда нашудаанд.
Фарқи симулятсия–deployment-и физикӣ: Гарчанде манбаъ rendering-и аз ҷиҳати физикӣ мувофиқ ва маҳдудиятҳои маводи истеҳсолшавандаро истифода мекунад, қисми муҳими натиҷаҳо дар муҳити симулятсионии дақиқи баланд ба даст омадаанд.
Пешниҳодҳо барои кори оянда
Муаллифон пешниҳод мекунанд, ки китобхонаи мавод бо coatings, fabrics ва paints-и нави саноатӣ васеъ карда шавад; аз 2B planar approximation ба моделсозии adversarial-и 3B-и дақиқи баланд гузаронида шавад, ки curvature-и воқеии сатҳро ба назар мегирад; ва parametric mesh deformation бо муҳаррикҳои rendering-и бар физика асосёфта якҷо шуда, сенарияҳои воқеии deployment сохта шаванд.
Ёддошт оид ба Манбаъ ва Усул
Унвони аслӣ: MEC-Patch: Visible-Infrared Cross-Modal Adversarial Attack Driven by Intrinsic Material Emissivity Laws
Муаллифон ва тартиб: Zhixiang Huang; Xinbo Nie; Wenxuan Wang; Lu Yang; Xin Li; Xuelin Qian; Peng Wang.
Саҳми баробар: Дар манбаъ изҳороти ошкори equal-contribution / co-first-author ёфт нашудааст.
Нишонаҳои муаллифон: Дар қисми муаллифони PDF дар назди Wenxuan Wang аломати “*” ва дар назди Xuelin Qian аломати “†” ҳаст. Дар матни PDF-и баррасишуда footnote-е ёфт нашуд, ки маънои ин ду рамзро равшан кунад; аз ин рӯ corresponding-author ё нақши дигар фарз нашудааст.
Аффилиатсия — Zhixiang Huang: Northwestern Polytechnical University, Xi’an, China.
Аффилиатсия — Xinbo Nie: Northwestern Polytechnical University, Xi’an, China.
Аффилиатсия — Wenxuan Wang: Northwestern Polytechnical University, Xi’an, China; Shenzhen Research Institute of Northwestern Polytechnical University, Shenzhen, China.
Аффилиатсия — Lu Yang: Raytron Technology Co., Ltd, Xi’an, China.
Аффилиатсия — Xin Li: City University of Hong Kong, Hong Kong, China.
Аффилиатсия — Xuelin Qian: Northwestern Polytechnical University, Xi’an, China; Shenzhen Research Institute of Northwestern Polytechnical University, Shenzhen, China.
Аффилиатсия — Peng Wang: Northwestern Polytechnical University, Xi’an, China.
ArXiv: arXiv:2608.05634v1 [cs.MM].
Санаи фиристодани ArXiv: 6 Август 2026.
Навъи нашр: Мақолаи тадқиқотии конфронси ACM Multimedia / proceedings paper.
Конфронс: 34th ACM International Conference on Multimedia (MM ’26).
Санаҳои конфронс: 10–14 Ноябр 2026.
Ҷойи конфронс: Rio de Janeiro, Brazil.
Ношир: Association for Computing Machinery (ACM).
DOI: 10.1145/3767308.3835147.
ISBN: 979-8-4007-2213-4/2026/11.
Ҳолати баррасии ҳамсолон: Кор мақолаи конфронсиест, ки дар proceedings-и ACM Multimedia 2026 нашр шудааст. Дастурҳои расмии ACM Multimedia 2026 мегӯянд, ки барои мақолаҳои конфронс peer-review ва double-blind review истифода мешаванд.
Литсензия: Creative Commons Attribution 4.0 International License (CC BY 4.0).
Соҳа: Multimodal computer vision, object detection, adversarial robustness, security and privacy.
Маҷмуаҳои додаҳо: DroneVehicle, LLVIP, VisDrone.
Victim моделҳо: YOLOv3, YOLOv5, YOLOv8, YOLOv11 ва Faster R-CNN.
Усулҳои муқоиса: RandomPatch, TOUAP, UNIAP ва CDUPatch.
Оптимизатсияи асосӣ: Physics-constrained NSGA-II + Dynamic Adversarial Resampling (DAR).
Равиши rendering: Барои visible branch хусусиятҳои RGB/reflectivity-и мавод; барои infrared branch mapping-и thermal-radiation-и Stefan–Boltzmann бар асоси эмиссивият; TPS projection ва alpha blending рӯи ҳадаф.
Параметрҳои асосии таҷриба: 640 × 640 inference; population 60; 80 generation; DAR \(\alpha=0.9\); \(K=5\) scene; барои ҳар scene \(N=3\) spatial configuration; максимуми patch coverage %30; NVIDIA GeForce RTX 4090.
Маблағгузорӣ: National Natural Science Foundation of China (No. 62502387 ва 62406252); China Postdoctoral Science Foundation (No. BX20250486 ва 2025M784419); Natural Science Basic Research Program of Shaanxi (No. 2025JC-YBQN-861); Guangdong Basic and Applied Basic Research Foundation (No. 2025A1515011465 ва 2025A1515010158); Postdoctoral Science Foundation of Shaanxi Province (No. 2025BSHSDZZ105).
Дастрасии додаҳо: Дар PDF-и баррасишуда Data Availability Statement-и алоҳида ёфт нашудааст.
Бархӯрди манфиатҳо: Дар PDF-и баррасишуда изҳороти алоҳидаи Conflict of Interest / Competing Interests ёфт нашудааст.
Саҳми муаллифон: Дар PDF-и баррасишуда CRediT ё бахши алоҳидаи Author Contributions ёфт нашудааст; нақшҳои саҳм тахмин карда нашудаанд.
Фарқи шумораи мавод дар дохили манбаъ: Матни таҷрибаи асосӣ китобхонаи мавод \(N\)-ро ҳамчун “масалан 20” маводи намояндагӣ таъриф мекунад, дар ҳоле ки supplementary Table 5 мегӯяд 26 маводи саноатӣ истифода шудаанд. Ҳар ду изҳорот ба ҳамон шакле, ки дар манбаъ ҳастанд, нигоҳ дошта шудаанд.
Нотацияи shape-genotype дар манбаъ: Дар усули асосӣ \(g_{\mathrm{sha}}\), дар бахши аблятсия \(g_{\mathrm{shp}}\) истифода мешавад. Дар матн мафҳум ҳамчун “shape genotype” бо як маъно шарҳ дода шудааст; фарқи нотацияи манбаъ пинҳон карда нашудааст.
Ёддошти Муодилаи (3): \(r(\theta)=\sqrt{(a\cos\theta)^2+(b\sin\theta)^2}\) ба ҳамон шакле, ки дар манбаъ дода шудааст, нигоҳ дошта шудааст; бо формулаи қутбии стандартии эллипс хомӯшона иваз нашудааст.
Ёддошти матн–ҷадвали аблятсия: Дар баяни манбаъ як ҷо ибораи “64.2% and 76.8% peak dual-modal ASR” ҳаст, дар ҳоле ки Table 4 арзишҳои пурраи MEC-Patch барои YOLOv11-ро %61,0 / %78,4 медиҳад. Арзишҳои вобаста ба модел ба ҳамон шакли ҷадвал оварда шудаанд.
Ҳадди тафсири илмӣ: Манбаъ MEC-Patch-ро ҳамчун чаҳорчӯбаи арзёбии бар физика асосёфта барои ташхиси осебпазирии амниятӣ дар ҷаҳони воқеӣ пешниҳод мекунад; натиҷаҳои асосии миқдорӣ аз симулятсияҳои дақиқи баланди дорои маҳдудиятҳои физикӣ меоянд. Санҷиши фарогири физикии воситаи нақлиёт/ҳаракат дар саҳро анҷом дода нашудааст.
Ҳадди ахлоқӣ/истифода: Манбаъ дар supplementary discussion равшан мегӯяд, ки кор танҳо барои тадқиқоти академӣ, барои муайян кардани осебпазириҳои эҳтимолии амниятӣ дар системаҳои multimodal perception гузаронда шудааст ва барои истифодаи тиҷоратӣ татбиқ намешавад.
Кори оянда: Китобхонаи васеътари material/coating/fabric/paint ва моделсозии adversarial-и 3B-и дақиқи баланд, ки curvature-и геометрии воқеиро ба назар мегирад.
Шарҳ гузоред
Нишонии почтаи электронии шумо нашр намешавад. Майдонҳои ҳатмӣ бо * нишон дода шудаанд