MEC-Patch (Material Emissivity Controlled Patch), koʻrinadigan yorugʻlik (RGB) va uzun toʻlqinli infraqizil (Long-Wave Infrared, LWIR) tasvirlardan birgalikda foydalanadigan koʻp-modalli obyekt aniqlash tizimlarining adversarial bardoshliligini baholash uchun materiallarning emissivlik, yaʻni issiqlik nurlanish koeffitsiyenti kabi ichki fizik xususiyatlaridan foydalanadigan fizika bilan cheklangan kross-modal adversarial hujum doirasidir. Tadqiqot infraqizil perturbation-ni faqat sunʻiy piksel intensivligi yoki oʻzgaruvchan sirt harorati orqali modellashtirish oʻrniga Stefan–Boltzmann qonuni yordamida material emissivligini issiqlik nurlanishi bilan bogʻlaydi; joylashuv, shakl va diskret material tanlovlarini bitta genotype ichida kodlaydi; ushbu diskret va nochiziqli qidiruv fazosini NSGA-II bilan optimallashtiradi va turli muhit sharoitlarida umumlashuvchanlikni oshirish uchun Dynamic Adversarial Resampling (DAR) strategiyasidan foydalanadi. Natijalar DroneVehicle, LLVIP va VisDrone maʻlumotlar toʻplamlarida koʻplab koʻrinadigan–infraqizil detector-lar bilan kuchli ASR qiymatlarini koʻrsatadi; biroq baholash fizik jihatdan cheklangan yuqori aniqlikdagi simulyatsiyalarga asoslangan va real transport muhitida tayyorlangan patch-lar bilan keng koʻlamli dala tekshiruvi oʻtkazilmagan.
Tadqiqotning boshlangʻich nuqtasi koʻrinadigan va infraqizil sensorlar bir xil fizik obyektni turli elektromagnit mexanizmlar orqali tasvirlashidir. RGB kamera sirtning koʻrinadigan yorugʻlikni qanday qaytarishi va muhit yoritilishiga kuchli bogʻliq. LWIR kamera esa obyektning issiqlik nurlanishini aniqlaydi; bu nurlanish sirt harorati bilan birga material emissivligi \(\epsilon\) tomonidan belgilanadi. Avvalgi ayrim kross-modal adversarial tadqiqotlar infraqizil koʻrinishni qizdirish, sovitish yoki vaqtinchalik harorat taqsimotlari bilan oʻzgartirishga uringan boʻlsa, MEC-Patch harorat kabi muhit taʻsirlaridan oson oʻzgaradigan holat oʻzgaruvchisi oʻrniga materialning ichkiroq xususiyati boʻlgan emissivlikdan foydalanishni maqsad qiladi.
Tadqiqot foydalanadigan asosiy fizika:
\[ j=\epsilon\sigma T^4 \]
Stefan–Boltzmann munosabatidir. Bu yerda \(j\) sirtdan chiqariladigan umumiy radiant quvvatning birlik yuza uchun miqdori, \(\epsilon\) oʻlchamsiz emissivlik, \(\sigma\approx5.67\times10^{-8}\,\mathrm{W/(m^2K^4)}\) Stefan–Boltzmann doimiysi va \(T\) Kelvin bilan ifodalangan mutlaq haroratdir. Manba faraziga koʻra, bir xil harorat oʻzgarishi muayyan emissivlik taqsimotidagi barcha hududlarning issiqlik signalini umumiy tarzda masshtablaydi, shu bilan birga turli emissivlik qiymatlarining nisbiy kontrasti saqlanishi mumkin. MEC-Patch ushbu nisbiy kontrast muhit harorati oʻzgarishlariga nisbatan vaqtinchalik haroratga asoslangan perturbation-lardan barqarorroq boʻlishi mumkinligi gʻoyasidan foydalanadi.
Bu fizik munosabat hujum patch-ini oʻzi belgilamaydi. Patch-ning nishondagi joylashuvi, tashqi geometriyasi va ichidagi material taqsimoti birgalikda optimallashtiriladi. Tadqiqotchilar ushbu parametrlarni \(g=[g_{\mathrm{pos}},g_{\mathrm{sha}},g_{\mathrm{mat}}]\) koʻrinishidagi birlashtirilgan genotype bilan ifodalaydi. \(g_{\mathrm{pos}}\) patch markazining nishon bounding box ichidagi normallashtirilgan joylashuvini, \(g_{\mathrm{sha}}\) geometrik shaklni va \(g_{\mathrm{mat}}\) diskret material identifikatorlarini ifodalaydi.
Material tanlovi diskret boʻlgani va koʻrinadigan/infraqizil rendering jarayoni kuchli nochiziqli tuzilma hosil qilgani sababli tadqiqot klassik gradient descent oʻrniga Non-dominated Sorting Genetic Algorithm II (NSGA-II) dan foydalanadi. Bir vaqtning oʻzida uchta maqsad baholanadi: hujum muvaffaqiyati, vizual yashirinlik va patch maydoni. DAR mexanizmi oson va qiyin muhitlarni doimiy ehtimol bilan namunalash oʻrniga detector hali ham yuqori ishonch bilan ishlaydigan qiyin sahnalarga vaqt oʻtishi bilan koʻproq ogʻirlik beradi.
Asosiy tajribalarda MEC-Patch DroneVehicleʻda YOLOv3, YOLOv5, YOLOv8, YOLOv11 va Faster R-CNN uchun mos ravishda %72,5, %77,7, %81,7, %73,7 va %64,1 ASR ni xabar qiladi. ViSDroneʻda mos qiymatlar %72,4, %72,0, %69,8, %69,0 va %77,2; LLVIPʻda esa %80,3, %86,1, %80,8, %72,2 va %77,1 dir.
Kross-model tajribalar bir detectorʻda optimallashtirilgan patch boshqa arxitekturaga qisman koʻchishi mumkinligini koʻrsatadi. Masalan, YOLOv11 manba modelida optimallashtirilgan patch Faster R-CNNʻda %59,9 ASR oladi. Koʻp-sahnali simulyatsiyalarda MEC-Patch-ning beshta detector boʻyicha ASR qiymatlari %53,5 dan %59,0 gacha qolgan; RandomPatch qiymatlari taxminan %0,4–1,4, UNIAP qiymatlari esa %15,2–21,4 oraligʻidadir.
Ablatsiya natijalari usulning uchala komponenti ham muhimligini koʻrsatadi. YOLOv5 uchun toʻliq MEC-Patch koʻrinadigan/infraqizil modalitetlarda %64,2 / %76,8 ASR beradi, material genotype-i olib tashlanganda bu qiymatlar %36,3 / %17,4 ga tushadi. YOLOv11ʻda toʻliq usul %61,0 / %78,4 boʻlsa, material genotype-i olib tashlanganda %33,6 / %15,8 olinadi. Ayniqsa infraqizil tarmoqdagi katta pasayish manba tadqiqot emissivlik modellashtirishini kross-modal fizik izchillikning markaziy komponenti sifatida talqin qilishining asosiy dalilidir.
Bu natijalar real transport vositalari koʻrinmas holga keltirilganini yoki real avtonom haydash tizimlari dala sharoitida ishonchli ravishda ishdan chiqarilganini koʻrsatmaydi. Manba ishni koʻp-modalli idrok tizimlaridagi xavfsizlik zaifliklarini aniqlashga qaratilgan akademik xavfsizlik baholashi sifatida joylashtiradi. Mualliflar ishlab chiqarish aniqligi, cheklangan material kutubxonasi va 2B fizik yondashuvni ochiq cheklovlar sifatida qayd etadi.
MEC-Patch Nima va Avvalgi Kross-Modal Hujumlardan Qanday Farq Qiladi?
MEC-Patch koʻrinadigan va LWIR aniqlash tarmoqlariga bir xil fizik patch orqali birgalikda taʻsir qilish maqsadida patch-ning koʻrinadigan rang/qaytarish xususiyatlari bilan infraqizil emissivlik xususiyatlarini umumiy material genotype-i ichida modellashtiradigan va ushbu genotype-ni fizika bilan cheklangan koʻp-maqsadli evolyutsion optimallashtirish bilan izlaydigan xavfsizlik baholash usulidir.
Nega faqat RGB hujumi yetarli emas?
Visible-infrared fusion detector bir xil obyektni ikki xil sensordan koʻradi. RGB tasvirdagi adversarial naqsh faqat koʻrinadigan kamerani chalgʻitsa, lekin LWIR tasvirida obyektning issiqlik imzosi normal koʻrinsa, fusion tarmogʻi ikkinchi modalitetdan kelgan maʻlumotdan foydalanib obyektni baribir aniqlashi mumkin. Shu sababli bir-modal perturbation kross-modal consistency tekshiruvining taqdim etgan zaxira maʻlumotini yenga olmasligi mumkin.
MEC-Patch oʻrganayotgan xavfsizlik muammosi shudir: ayni fizik sirt oʻzgarishi ham koʻrinadigan, ham infraqizil tasvirda detector-ning umumiy feature fusion jarayonini buzadigan imzo hosil qila oladimi.
Nega faqat haroratni boshqarish ham muammo tugʻdirishi mumkin?
Harorat \(T\) materialning oʻzgarmas identifikatori emas. Quyosh nuri, shamol, atmosfera sharoiti, nishonning oʻz ish holati va muhit harorati sirt haroratini oʻzgartirishi mumkin. Shu sababli muayyan qizdirish yoki sovitish tartibi bilan yaratilgan issiqlik kontrasti boshqa muhitda aynan saqlanmasligi mumkin.
Manba shu sababli hujum modelining markazini haroratdan emissivlikka koʻchiradi. Emissivlik sirtning ayni haroratdagi ideal qora jismga nisbatan qancha issiqlik nurlanishi chiqarishini bildiradigan oʻlchamsiz material xususiyatidir.
Emissivlik Nega MEC-Patch-ning Fizik Asosidir?
Manba modelida emissivlik \(\epsilon\) LWIR tasviridagi nisbiy issiqlik kontrastini material identifikatori bilan bogʻlash imkonini beradi; doimiy emissivlik taqsimotida haroratning umumiy oʻzgarishi nurlanish darajasini masshtablasa ham, turli materiallarning nisbiy emissivlik farqlari saqlanishi mumkinligi sababli patch-ning infraqizil fazoviy naqshini haroratga asoslangan vaqtinchalik perturbation-larga qaraganda barqarorroq modellashtirish mumkin.
Stefan–Boltzmann Qonuni
Manba Tenglama (2):
\[ j=\epsilon\cdot\sigma\cdot T^4 \tag{2} \]
Formula nimani hisoblaydi? Ideallashtirilgan modelda sirtning birlik yuzasiga toʻgʻri keladigan umumiy issiqlik nurlanish quvvatini.
\(j\): chiqariladigan radiant quvvat zichligi; birligi \(\mathrm{W/m^2}\).
\(\epsilon\): emissivlik; oʻlchamsiz.
\(\sigma\): Stefan–Boltzmann doimiysi:
\[ \sigma\approx5.67\times10^{-8}\, \mathrm{W/(m^2K^4)} \]
\(T\): mutlaq harorat; birligi Kelvin.
Birlik tekshiruvi:
\[ 1\times \frac{\mathrm{W}}{\mathrm{m^2K^4}} \times \mathrm{K^4} = \frac{\mathrm{W}}{\mathrm{m^2}} \]
boʻlgani uchun tenglama oʻlcham jihatdan izchildir.
Tenglamada haroratning toʻrtinchi darajaga koʻtarilishi mutlaq harorat issiqlik nurlanishiga kuchli nochiziqli taʻsir qilishini koʻrsatadi. Biroq MEC-Patch taʻkidlaydigan nuqta shuki, muayyan vaqtda turli patch hujayralari oʻxshash issiqlik muhitini baham koʻrsa, emissivlik farqlari nisbiy nurlanish kontrastini belgilashda davom etishi mumkin.
Bu izoh toʻliq atmosfera/sirt radiativ uzatish modeli emas. Manba ham muhit va quyoshdan keladigan akslanishlar toʻliq radiativ uzatishda mavjudligini ochiq aytadi. Ishlatilgan model odatiy haydash sharoitida \(T_{\mathrm{obj}}>T_{\mathrm{env}}\) boʻlganda self-emission ustun boʻlishini faraz qiladi.
LWIR tasvir intensivligiga oʻtish
Manba issiqlik nurlanishining sensor kulrang-darajali tasviriga oʻtkazilishini:
\[ I=M\left(\epsilon_i\sigma T^4\right) \tag{4} \]
bilan taʻriflaydi.
Bu yerda \(I\) infraqizil tasvirdagi raqamli piksel intensivligi; \(\epsilon_i\), \(i\)-materialning emissivligi; \(M(\cdot)\) esa fizik issiqlik nurlanish qiymatini sensorning raqamli grayscale diapazoniga aylantiradigan mapping funksiyasidir.
Manba \(M(\cdot)\) ning batafsil sensor transfer funksiyasini alohida bermaydi. Shu sababli Verianla matni \(M\) ni muayyan kamera kalibrlash egri chizigʻi sifatida toʻqib chiqarmaydi.
Mahalliy issiqlik muvozanati farazi
Rendering modeli local thermal equilibrium farazidan foydalanadi. Manba bu faraz ostida Fresnel tenglamalari va Kirchhoff qonuni doirasida material emissivligi haroratga faqat zaif bogʻliqligini hamda model \(-20^\circ\mathrm{C}\) dan \(50^\circ\mathrm{C}\) gacha barqaror kontrastni faraz qilishini bildiradi.
Bu diapazon real hayotdagi barcha materiallarning emissivligi mutlaqo oʻzgarmas degani emas; model ishlatadigan fizik ish farazidir.
Material kutubxonasining maqsadi nima?
Material kutubxonasi koʻrinadigan rang/qaytarish bilan LWIR emissivligini bir-biridan qisman ajratish mumkin boʻlgan material variantlarini taqdim etadi. Manba koʻrinadigan spektrda oʻxshash yoki sozlanadigan koʻrinishga ega sirtlar infraqizil emissivlik boʻyicha sezilarli farq qilishi mumkinligidan foydalanadi.
| Material | Manba emissivligi \(\epsilon\) | Manba IR tasnifi |
|---|---|---|
| Alyuminiy folga | 0,04 | Juda sovuq |
| Sayqallangan oksidlanmagan jez | 0,06 | Juda sovuq |
| Zanglamaydigan poʻlat | 0,15 | Sovuq |
| Tabiiy anodlangan Al, 5 µm | 0,25 | Sovuq |
| Qora anodlangan Al, 15 µm | 0,55 | Oʻrtacha-iliq |
| Chuqur qora qattiq anodlangan Al, 50 µm | 0,82 | Issiq |
| Keramika | 0,84–0,86 | Issiq |
| Kauchuk | 0,90 | Juda issiq |
Manba ichidagi son farqi: Asosiy tajriba boʻlimida material kutubxonasi \(N\), “masalan 20” vakillik sanoat materiali sifatida taʻriflanadi. Supplementary Table 5 esa tajribalarda ishlatilgan 26 sanoat materialini sanab oʻtishini bildiradi. Bu ikki ifoda manbada birgalikda mavjud boʻlgani sababli Verianla ulardan birini jimlik bilan boshqasiga almashtirmaydi.
Multimodal object detection muammosi qanday formulalanadi?
Oldindan oʻqitilgan koʻp-modalli detector:
\[ f(\cdot) \]
ikkita roʻyxatdan oʻtkazilgan tasvirni kirish sifatida oladi:
\[ X_{\mathrm{vis}}\in\mathbb{R}^{H\times W\times3} \]
va:
\[ X_{\mathrm{ir}}\in\mathbb{R}^{H\times W}. \]
Birinchi tensor RGB tasvir \(H\times W\) piksel va uchta rang kanaliga ega ekanini, ikkinchi tensor esa LWIR tasvir bitta intensivlik kanali bilan ifodalanishini anglatadi.
Manbaning Tenglama (1) dagi optimallashtirish maqsadi:
\[ \min_G \mathbb{E}_{s\in S} \left[ f\left( X_{\mathrm{vis}}\oplus P(G), X_{\mathrm{ir}}\oplus P(G) \right) \right] \tag{1} \]
koʻrinishidadir.
\(G\), patch-ning geometrik, topologik va material parametrlarini oʻz ichiga oladigan genotype; \(P(G)\), genotype-dan hosil qilingan patch; \(S\), sahnalar taqsimoti; \(\oplus\), patch-ning tasvirga fazoviy projection va blending amalini bildiradi.
Optimallashtirishning maqsadi nishon sinfiga oid detector confidence-ni turli sahnalar boʻylab kamaytirishdir.
Genotype nega uch qismga ajratiladi?
Birlashtirilgan genotype:
\[ g= [g_{\mathrm{pos}},g_{\mathrm{sha}},g_{\mathrm{mat}}] \]
deb taʻriflanadi.
\(g_{\mathrm{pos}}\): joylashuv geni.
\[ g_{\mathrm{pos}}=[x_{\mathrm{rel}},y_{\mathrm{rel}}] \]
normallashtirilgan nisbiy koordinatalar patch markazini nishon transport vositasining bounding box-i ichida belgilaydi. Shu sababli joylashuv mutlaq piksel koordinatasiga bevosita bogʻliq emas va obyekt tasvirda kattalashib-kichrayganda semantik joylashuvni saqlash maqsad qilinadi.
\(g_{\mathrm{sha}}\): shakl geni. Patch-ning makroskopik tashqi geometriyasini boshqaradi.
\(g_{\mathrm{mat}}\): material geni. Dartboard hujayralariga qaysi diskret fizik material tayinlanishini kodlaydi.
Manba Tenglama (3) shakli
Manba patch konturi uchun:
\[ r(\theta)= \sqrt{ (a\cos\theta)^2+ (b\sin\theta)^2 } \tag{3} \]
ifodani beradi.
\(a\) va \(b\), manba tomonidan semi-axis parameters sifatida taʻriflanadi va doiraviy shakllardan proporsional ellipsga oʻxshash konturlarga oʻtishni boshqarish uchun ishlatiladi.
Manbaga sodiqlik izohi: Verianla bu tenglamani maqolada yozilgan shaklida saqlaydi. Ifoda matematika kitoblarida koʻp uchraydigan standart ellipsning markazdan chegaragacha polar radius formulasi bilan bir xil emas. Manba boshqa parametrik/radial taʻrifdan foydalangan boʻlishi mumkin; aniq tuzatish bayonoti yoʻqligi sababli formula jimlik bilan oʻzgartirilmagan.
Dartboard topologiyasi nima?
Patch-ning ichki hududi burchak sektorlariga \(N_\theta\) va radial halqalarga \(N_r\) ajratiladi. Har bir hujayra alohida material identifikatoriga ega boʻlishi mumkin.
Tadqiqotchilar bu tuzilmani ikki sababga koʻra ishlatadi: diskret materiallarni evolyutsion algoritm bilan qidirish mumkin boʻlgan tartibli topology taʻminlash va juda murakkab erkin shaklli qirralar oʻrniga ishlab chiqarishga qulayroq modulli hududlar yaratish.
NSGA-II va DAR Nega Birgalikda Ishlatiladi?
NSGA-II joylashuv, shakl va diskret material tanlovlari hosil qiladigan nochiziqli va differensiallanmaydigan qidiruv fazosida hujum muvaffaqiyati, yashirinlik va maydon maqsadlari oʻrtasida Pareto-mos yechimlarni izlaydi; DAR esa baholash paytida qiyin muhitlarga tobora yuqori namunalash ogʻirligi berib, optimallashtirishning bitta sahna taqsimotiga ortiqcha moslashuvini kamaytirishni maqsad qiladi.
Nega gradient asosidagi optimallashtirish oʻrniga NSGA-II?
\(g_{\mathrm{mat}}\) uzluksiz haqiqiy son vektori emas, balki diskret material identifikatorlarini oʻz ichiga oladi. Bir materialni boshqasiga almashtirish uzluksiz va differentiable tasvir oʻzgarishini hosil qilishi shart emas.
Manba shu sababli NSGA-II dan foydalanadi. Har bir evolutionary iteration-da candidate genotype population:
\[ P_t=\{g_1,\ldots,g_N\} \]
ustida tournament selection, simulated binary crossover va polynomial mutation qoʻllanadi. Non-dominated sorting va crowding distance oʻzaro zid boʻlishi mumkin boʻlgan maqsadlar orasida yagona scalar optimum oʻrniga Pareto-optimal candidate xilma-xilligini saqlashni maqsad qiladi.
Uch maqsadli fitness funksiyasi
Manba:
\[ \Phi(g)= \left[ f_{\mathrm{atk}}(g), f_{\mathrm{stealth}}(g), f_{\mathrm{area}}(g) \right]^T \tag{5} \]
ifodasidan foydalanadi.
\(f_{\mathrm{atk}}\): koʻrinadigan va infraqizil tarmoqlardagi attack objective.
\(f_{\mathrm{stealth}}\): patch rang taqsimotini fonga yaqinlashtirishga intiladigan stealth objective.
\(f_{\mathrm{area}}\): haddan tashqari katta patch maydonini jazolaydigan area objective.
Ikki modalitetli hujum objective-i
Manbaning Tenglama (6) si:
\[ f_{\mathrm{atk}}(g) = \mathbb{E}_{s\in S} \left[ \lambda_{\mathrm{vis}} L\left( f(R_{\mathrm{vis}}(g,s)),y \right) + \lambda_{\mathrm{ir}} L\left( f(R_{\mathrm{ir}}(g,s)),y \right) \right] \tag{6} \]
koʻrinishidadir.
\(L\), prediction loss; \(R_{\mathrm{vis}}\), koʻrinadigan rendering operator; \(R_{\mathrm{ir}}\), infraqizil rendering operator; \(s\), DAR tomonidan namunalangan scene state; \(y\), nishon ground-truth sinfi; \(\lambda_{\mathrm{vis}}\) va \(\lambda_{\mathrm{ir}}\) ikki modalitetning loss ogʻirliklaridir.
Manba \(\lambda_{\mathrm{vis}}\) va \(\lambda_{\mathrm{ir}}\) uchun bu yerda alohida raqamli qiymat bermaydi. Ular teng deb faraz qilinmagan.
DAR hujum qilish qiyin sahnani qanday aniqlaydi?
Bir sahna uchun attack error:
\[ e_s^t = 1- \frac{1}{M} \sum_{j=1}^{M} \operatorname{conf} (x_j\oplus P) \tag{7} \]
bilan hisoblanadi.
\(\operatorname{conf}(\cdot)\), detector-ning nishon sinfiga bergan confidence score-dir. Manba taʻrifida past \(e_s^t\), detector nishonni hali ham yuqori confidence bilan aniqlayotgani va shuning uchun hujum nuqtayi nazaridan qiyinroq sahna ekanini anglatadi.
Scene weight yangilanishi:
\[ w_s^{t+1} = \alpha w_s^t + (1-\alpha) \frac{ \exp(1-e_s^t) }{ \sum_{i=1}^{S} \exp(1-e_i^t) } \tag{8} \]
koʻrinishidadir.
\(\alpha\) momentum smoothing factor boʻlib, tajribada:
\[ \alpha=0.9 \]
ishlatilgan.
Past attack error uchun \(1-e_s^t\) ortadi; exponential had ortgani sababli tegishli scene weight koʻtariladi. Shu bois keyingi avlodlarda optimizer detector hali ham yaxshi ishlayotgan qiyin sahnalarga tez-tez duch keladi.
DAR convergence natijasi
Supplementary tahlil uniform sampling erta bosqichda plateau-ga yaqinlashganini, DAR population-i boshlanishda qiyin namunalarga eʻtibor qaratgani sababli pastroq ASR koʻrsatishi mumkinligini, biroq keyingi avlodlarda late-stage breakthrough hosil qilib global ASR ni taxminan 15 foiz punkti oshirganini xabar qiladi.
Manba Figure 7 ning barcha xom generation–ASR koordinatalarini jadval shaklida bermagani sababli Verianla bu curve-ni raqamlashtirib soxta aniqlikda qayta chizmaydi.
Tadqiqot Usuli va Natijalari
ASR Natijalari Real Fizik Dala Muvaffaqiyatini Anglatadimi?
Yoʻq; tadqiqotda yuqori ASR qiymatlari fizik material xususiyatlari bilan cheklangan va koʻp-sahnali tarzda yaratilgan simulyatsiya muhitlarida olingan, biroq real ishlab chiqarish tolerantliklari, real transport vositasi sirti, toʻliq atrof-muhit radiativ uzatishi va uzoq muddatli ochiq dala sharoitlarini qamrab oladigan keng fizik deployment tajribasi taqdim etilmagan.
Maʻlumotlar toʻplamlari
DroneVehicle: manba kunduzdan tungacha boʻlgan sharoitlarni qamrab olgan va qatʻiy registered qilingan 28.439 UAV-view koʻrinadigan–infraqizil tasvir jufti mavjudligini bildiradi.
LLVIP: past yorugʻlik sharoitida pedestrian detection-ga yoʻnaltirilgan va koʻrinadigan/LWIR tasvirlar oʻrtasida aniq spatial alignment taʻminlaydigan maʻlumotlar toʻplamidir.
VisDrone: murakkab fonlar va turli oʻlchamdagi obyektlarni oʻz ichiga oladigan katta miqyosli UAV benchmark-dir. Manba tajriba sozlamalarini oldingi CDUPatch ishini kuzatib tuzganini bildiradi.
Victim detector-lar
- YOLOv3
- YOLOv5
- YOLOv8
- YOLOv11
- Faster R-CNN
Dastlabki toʻrtta model one-stage detector sinfiga kiradi; Faster R-CNN esa two-stage detector sifatida koʻrib chiqilgan. Manba benign transport vositasi tasvirlarida modellar taxminan 0,9 confidence-ga yetadigan tarzda initialized va fine-tuned qilinganini bildiradi.
Taqqoslash usullari
Asosiy taqqoslashga toʻrtta baseline kiritilgan:
- RandomPatch: joylashuv va texture optimallashtirilmagan tasodifiy boshlangʻich baseline.
- TOUAP: pixel-level joint loss ishlatadigan dual-modal unified attack.
- UNIAP: spatial constraint va cross-modal consistency loss ishlatadigan universal patch usuli.
- CDUPatch: rangga asoslangan visible-infrared universal adversarial patch yondashuvi.
Manba Hot-Cold usuli inson issiqlik imzolariga qaratilgani, MoXAttack faithful reproduction uchun yetarli implementation tafsilotlarini bermagani va PAIP UNIAP ning oldingi usuli boʻlgani sababli asosiy taqqoslashni yuqoridagi toʻrtta usul bilan cheklaganini bildiradi.
Amalga oshirish parametrlari
| Parametr | Manba qiymati |
|---|---|
| Framework | PyTorch |
| Detector inference tasvir oʻlchami | 640 × 640 piksel |
| NSGA-II populyatsiya hajmi | 60 |
| Maksimal generation | 80 |
| DAR momentum \(\alpha\) | 0,9 |
| Har bir iteratsiyada tanlanadigan sahna \(K\) | 5 |
| Har sahna uchun fazoviy konfiguratsiya \(N\) | 3 |
| Maksimal patch coverage | Nishon bounding box-ning %30 i |
| Hisoblash apparati | NVIDIA GeForce RTX 4090 |
ASR nima?
Attack Success Rate (ASR), manbada detector toʻgʻri kategoriyani muvaffaqiyatli bashorat qila olmagan va bounding-box Intersection over Union (IoU) qiymati ishlatilgan chegaradan past boʻlgan holatlar ulushi sifatida taʻriflanadi.
IoU bashorat qilingan bounding box bilan ground-truth bounding box kesishma yuzasining birlashma yuzasiga nisbatidir:
\[ \mathrm{IoU} = \frac{ \text{kesişim alanı} }{ \text{birleşim alanı} } \]
Bu IoU tenglamasi konseptual izohdir; manba ASR taʻrifida IoU chegara qiymatining raqamli qiymatini asosiy usul matnida alohida koʻrsatmaydi. Shu sababli chegara toʻqib chiqarilmagan.
DroneVehicle natijalari
| Usul | 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 natijalari
| Usul | 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 natijalari
| Usul | 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 va LPIPS nimani koʻrsatadi?
Manba faqat attack success emas, perturbation-ning koʻrinadigan tabiiy koʻrinishini baholash uchun SSIM va LPIPS oʻlchovlaridan ham foydalanadi.
SSIM (Structural Similarity Index Measure) strukturaviy oʻxshashlikni oʻlchaydi; umumiy talqinda yuqoriroq qiymat koʻproq oʻxshashlikni bildiradi.
LPIPS (Learned Perceptual Image Patch Similarity) oʻrganilgan feature fazosidagi perceptual farqni oʻlchaydi; umumiy talqinda pastroq qiymat yuqoriroq vizual oʻxshashlikni bildiradi.
| Shart | 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 |
Bu metrikalar patch real inson kuzatuvchisi uchun “sezilmas” ekanini isbotlamaydi. Tasvir-oʻxshashlik metrikalari bilan real fizik sezilmaslik bir xil tushuncha emas.
Kross-model transferability
| Optimallashtirilgan manba model | 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 |
Notatsiya izohi: Manbaning asosiy matni modelni “Faster R-CNN (RCNN)” deb atagan boʻlsa, Table 2 satr yorligʻi “Fast-RCNN” shaklida. Jadval yorligʻi manbada boʻlgan shaklida saqlangan.
Diagonal qiymatlar optimizer ayni modelda baholangan holatga; diagonaldan tashqari qiymatlar esa boshqa detector-ga transfer holatiga mos keladi. Masalan, YOLOv11 da optimallashtirilgan patch RCNN da %59,9 ASR hosil qilishi manba tomonidan black-box transferability koʻrsatkichlaridan biri sifatida talqin qilinadi.
Koʻp-sahnali ishlash
| Usul | 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 |
Manba bu baholashda snowy field, desert va urban nightscape kabi turli simulyatsiya qilingan muhitlardan foydalanganini bildiradi. MEC-Patch ning beshta detector boʻyicha qiymatlari %53,5–59,0 oraligʻida qolgan.
Mualliflar bu barqarorlikni intrinsic material emissivity modellashtirishi va DAR qiyin muhitlarga ogʻirlik berishi bilan bogʻlaydi. Bu mexanizm talqini; real ob-havo sharoitida tayyorlangan fizik patch ayni oraligʻda ASR berishiga oid bevosita dala oʻlchovi emas.
Ablatsiya: joylashuv, shakl va material genlari qanchalik muhim?
| Nishon model | Usul | Koʻrinadigan ASR | Infraqizil 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 |
Joylashuv geni: \(g_{\mathrm{pos}}\) olib tashlanganda ayniqsa infrared ASR YOLOv5 da %18,5, YOLOv11 da %15,2 gacha tushadi. Manba buni patch ning transport vositasidagi semantik jihatdan muhim hududlarga nisbatan joylashuvi muhim ekaniga dalil sifatida talqin qiladi.
Shakl/topologiya geni: Manbaning “Dartboard” polar partition tuzilmasi doimiy rectangular geometry taqqoslashiga nisbatan taxminan 20–30 foiz punkti ASR yutugʻi bergani xabar qilinadi.
Material geni: \(g_{\mathrm{mat}}\) olib tashlanib infraqizil koʻrinish heuristic intensity fitting bilan modellashtirilganda infrared ASR ikkala detector uchun ham %18 dan pastga tushadi. Bu manba mualliflari emissivlikka asoslangan fizik modellashtirishni usul markaziga qoʻyishining eng kuchli ablatsiya dalillaridan biridir.
Manba ichidagi ifoda farqi: Asosiy ablatsiya paragrafida bir joyda “peak dual-modal ASR of 64.2% and 76.8%” ifodasi ishlatiladi. Biroq ayni Table 4 YOLOv11 uchun toʻliq MEC-Patch qiymatlarini %61,0 / %78,4 deb beradi. Verianla model boʻyicha qiymatlarda jadvalni aynan keltirgan va matn–jadval farqini jimlik bilan tuzatmagan.
Patch maydoniga sezgirlik
Supplementary Figure 8 patch-to-vehicle area ratio ni %10 dan %50 gacha oʻrganadi. Manba:
- %10 maydon yetarli adversarial taʻsir bermaganini,
- %30 atrofida barcha maʻlumotlar toʻplamlarida ASR %70 dan oshgan yaqqol koʻtarilish kuzatilganini,
- %50 ga yaqinlashganda ASR toʻyinishga yaqinlashganini va LLVIP da taxminan %100 ga yaqinlashganini
xabar qiladi.
Biroq asosiy tajriba tuzilishida patch maydoni nishon bounding box ning eng koʻpi %30 i bilan cheklangan. Supplementary sensitivity tahlili bilan asosiy tajriba constraint-i bir-biriga aralashtirilmasligi kerak.
Confidence threshold sezgirligi
Supplementary Figure 9, detection threshold \(\tau\) oʻzgarganda ASR ni oʻrganadi. Manba \(\tau=0.3\) kabi qatʻiy threshold ostida ham yuqori ASR saqlanganini va attack dan keyin target response koʻpincha taxminan 0,15–0,20 dan pastga bosilganini bildiradi.
Bu threshold asosiy ASR taʻrifidagi IoU threshold bilan bir xil parametr deb qabul qilinmasligi kerak; manba ularni turli baholash kontekstlarida ishlatadi.
Manbaning Algorithm 1 jarayon ketma-ketligi
- Joylashuv, shakl va material genlaridan boshlangʻich population yaratiladi.
- Dartboard hujayralari diskret material identifikatorlari bilan kodlanadi.
- DAR mavjud scene weights yordamida \(K\) sahnani tanlaydi.
- Har bir genotype uchun visible va infrared rendering amalga oshiriladi.
- ASR, stealth va area objective-lari baholanadi.
- DAR scene attack error-lariga koʻra sahna ogʻirliklarini yangilaydi.
- NSGA-II non-dominated sorting, tournament selection, SBX crossover va mutation qoʻllaydi.
- Offspring mavjud population bilan birlashtiriladi.
- Crowding distance asosida keyingi \(N\) candidate tanlanadi.
- Belgilangan generation soni oxirida attack objective boʻyicha tanlangan genotype final patch rendering-ga aylantiriladi.
Izoh: Asosiy usul matni convergence oxirida “candidate with the highest fitness” ifodasini ishlatgan boʻlsa, supplementary Algorithm 1 final tanlovni \(g^*=\arg\min f_{\mathrm{atk}}(g)\) shaklida yozadi. Objective-lar cost/loss sifatida tuzilgani sababli ikkinchi ifoda matematik oqimga mos; biroq Verianla manbadagi terminologiya farqini yashirmaydi.
Tadqiqot qoʻllab-quvvatlaydigan natijalar
- Emissivlikka asoslangan koʻrinadigan–LWIR rendering koʻrib chiqilgan simulyatsiya sharoitlarida kuchli kross-modal ASR hosil qilgan.
- MEC-Patch uchala maʻlumotlar toʻplamida va barcha sinov qilingan detector-larda RandomPatch va UNIAP dan sezilarli darajada yuqori ASR olgan.
- Koʻplab Table 1 sharoitlarida MEC-Patch CDUPatch dan ham yuqori ASR hosil qilgan.
- Patch-larning turli detector arxitekturalariga koʻchadigan adversarial taʻsiri kuzatilgan.
- DAR, uniform sampling taqqoslashiga koʻra supplementary convergence tahlilida taxminan 15 foiz punkti global ASR oshishi bilan bogʻlangan.
- Joylashuv, shakl va material genlarining har biri ablatsiyada ishlashga hissa qoʻshgan.
- Ayniqsa material/emissivlik komponentini olib tashlash infraqizil ASR da katta pasayish hosil qilgan.
- Manba koʻrinadigan koʻrinish bilan LWIR emissivlik javobini material darajasida qisman ajratish multimodal feature alignment ni buzishi mumkinligini koʻrsatadi.
Tadqiqot qoʻllab-quvvatlamaydigan natijalar
- Real transportda ishlaydigan avtonom transport vositalari ayni nisbatlarda chalgʻitilishi mumkinligi koʻrsatilmagan.
- Real avtomobil uchun ishlab chiqarilib oʻrnatilgan 26 materialli patch ning barcha tajribalari yakunlanmagan.
- Simulyatsiya ASR si bevosita real dunyo hujumi muvaffaqiyati ehtimoli emas.
- Stefan–Boltzmann munosabati oʻzi real LWIR sensordagi barcha radiative-transfer taʻsirlarini toʻliq modellashtirishi koʻrsatilmagan.
- Emissivlik barcha materiallar va barcha harorat/muhit sharoitlarida oʻzgarmas ekani daʻvo qilinmaydi.
- VisDrone, DroneVehicle yoki LLVIP natijalari boshqa maʻlumotlar toʻplamlariga ayni sonlarda umumlashishi koʻrsatilmagan.
- YOLO va Faster R-CNN dan tashqari barcha multimodal detector arxitekturalariga qarshi bir xil transferability kafolatlanmaydi.
- Usul ishlab chiqarish tolerantliklariga butunlay sezgir emasligi koʻrsatilmagan.
- Patch maydonini kattalashtirish cheksiz foyda berishi koʻrsatilmagan; supplementary tahlilda toʻyinish kuzatiladi.
- Bu tadqiqot real tizimlarni sabotaj qilish maqsadida taqdim etilmagan; manba ishni akademik xavfsizlik baholashi va security-by-design rivojlantirish kontekstida chegaralaydi.
Cheklovlar
Ishlab chiqarish aniqligi: Yuqori chastotali Dartboard naqshlarini kesish va birlashtirish aniqligi real ishlab chiqarish tolerantliklaridan taʻsirlanishi mumkin.
Material kutubxonasi: Supplementary boʻlim mavjud 26 materialli kutubxona proof-of-concept uchun yetarli, ammo exhaustive emasligini bildiradi.
2B yondashuv: Tadqiqot planar patch approximation dan foydalanadi. Real transport vositasi sirtlarining murakkab curvature-i batafsilroq 3B modelni talab qiladi.
Radiativ model: Model local thermal equilibrium va self-emission dominance kabi fizik farazlardan foydalanadi. Toʻliq quyosh/muhit reflection va murakkab radiative transfer barcha tafsilotlari bilan modellashtirilmagan.
Simulyatsiya–fizik deployment farqi: Manba fizik jihatdan izchil rendering va ishlab chiqarish mumkin boʻlgan material cheklovlaridan foydalansa-da, natijalarning katta qismi yuqori aniqlikdagi simulyatsiya muhitidadir.
Kelajakdagi tadqiqot takliflari
Mualliflar material kutubxonasini yangi sanoat coatings, fabrics va paints bilan kengaytirishni; 2B planar approximation dan real sirt curvature-ini hisobga oladigan yuqori aniqlikdagi 3B adversarial modellashtirishga oʻtishni; parametric mesh deformation ni fizika asosidagi rendering dvigatellari bilan birlashtirib yanada real deployment ssenariylarini yaratishni taklif qiladi.
Manba va Usul Haqida Izoh
Asl sarlavha: MEC-Patch: Visible-Infrared Cross-Modal Adversarial Attack Driven by Intrinsic Material Emissivity Laws
Mualliflar va tartib: Zhixiang Huang; Xinbo Nie; Wenxuan Wang; Lu Yang; Xin Li; Xuelin Qian; Peng Wang.
Teng hissa: Manbada aniq equal-contribution / co-first-author bayonoti aniqlanmagan.
Muallif belgilari: PDF mualliflar qismida Wenxuan Wang yonida “*”, Xuelin Qian yonida “†” belgisi bor. Koʻrib chiqilgan PDF matnida bu ikki belgi maʻnosini aniq taʻriflaydigan footnote topilmagani uchun corresponding-author yoki boshqa rol faraz qilinmagan.
Affiliatsiya — Zhixiang Huang: Northwestern Polytechnical University, Xi’an, China.
Affiliatsiya — Xinbo Nie: Northwestern Polytechnical University, Xi’an, China.
Affiliatsiya — Wenxuan Wang: Northwestern Polytechnical University, Xi’an, China; Shenzhen Research Institute of Northwestern Polytechnical University, Shenzhen, China.
Affiliatsiya — Lu Yang: Raytron Technology Co., Ltd, Xi’an, China.
Affiliatsiya — Xin Li: City University of Hong Kong, Hong Kong, China.
Affiliatsiya — Xuelin Qian: Northwestern Polytechnical University, Xi’an, China; Shenzhen Research Institute of Northwestern Polytechnical University, Shenzhen, China.
Affiliatsiya — Peng Wang: Northwestern Polytechnical University, Xi’an, China.
ArXiv: arXiv:2608.05634v1 [cs.MM].
ArXiv yuborilgan sana: 6 Avgust 2026.
Nashr turi: ACM Multimedia konferensiya tadqiqot maqolasi / proceedings paper.
Konferensiya: 34th ACM International Conference on Multimedia (MM ’26).
Konferensiya sanalari: 10–14 Noyabr 2026.
Konferensiya joyi: Rio de Janeiro, Brazil.
Nashriyot: Association for Computing Machinery (ACM).
DOI: 10.1145/3767308.3835147.
ISBN: 979-8-4007-2213-4/2026/11.
Hakamlik holati: Tadqiqot ACM Multimedia 2026 proceedings da chop etilgan konferensiya maqolasidir. ACM Multimedia 2026 rasmiy koʻrsatmalari konferensiya maqolalari uchun peer-review va double-blind review jarayoni qoʻllanishini bildiradi.
Litsenziya: Creative Commons Attribution 4.0 International License (CC BY 4.0).
Soha: Multimodal computer vision, object detection, adversarial robustness, security and privacy.
Maʻlumotlar toʻplamlari: DroneVehicle, LLVIP, VisDrone.
Victim modellar: YOLOv3, YOLOv5, YOLOv8, YOLOv11 va Faster R-CNN.
Taqqoslash usullari: RandomPatch, TOUAP, UNIAP va CDUPatch.
Asosiy optimallashtirish: Physics-constrained NSGA-II + Dynamic Adversarial Resampling (DAR).
Rendering yondashuvi: Visible branch uchun material RGB/reflectivity xususiyatlari; infrared branch uchun emissivlikka asoslangan Stefan–Boltzmann thermal-radiation mapping; nishon ustiga TPS projection va alpha blending.
Asosiy tajriba parametrlari: 640 × 640 inference; population 60; 80 generation; DAR \(\alpha=0.9\); \(K=5\) scene; har scene uchun \(N=3\) spatial configuration; maksimal patch coverage %30; NVIDIA GeForce RTX 4090.
Moliyalashtirish: National Natural Science Foundation of China (No. 62502387 va 62406252); China Postdoctoral Science Foundation (No. BX20250486 va 2025M784419); Natural Science Basic Research Program of Shaanxi (No. 2025JC-YBQN-861); Guangdong Basic and Applied Basic Research Foundation (No. 2025A1515011465 va 2025A1515010158); Postdoctoral Science Foundation of Shaanxi Province (No. 2025BSHSDZZ105).
Maʻlumotlar mavjudligi: Koʻrib chiqilgan PDF da alohida Data Availability Statement aniqlanmagan.
Manfaatlar toʻqnashuvi: Koʻrib chiqilgan PDF da alohida Conflict of Interest / Competing Interests bayonoti aniqlanmagan.
Muallif hissalari: Koʻrib chiqilgan PDF da CRediT yoki alohida Author Contributions boʻlimi aniqlanmagan; hissa rollari taxmin qilinmagan.
Manba ichidagi material soni farqi: Asosiy tajriba matni material kutubxonasini \(N\) “masalan 20” vakillik materiali deb taʻriflagan boʻlsa, supplementary Table 5 26 sanoat materiali ishlatilganini bildiradi. Bu ikki ifoda manbada qanday boʻlsa, shunday saqlangan.
Manba ichidagi shape-genotype notatsiyasi: Asosiy usulda \(g_{\mathrm{sha}}\), ablatsiya boʻlimida \(g_{\mathrm{shp}}\) notatsiyasi ishlatiladi. Matnda tushuncha “shape genotype” sifatida bitta maʻnoda tushuntiriladi; manba notatsiyasi farqi yashirilmagan.
Tenglama (3) izohi: \(r(\theta)=\sqrt{(a\cos\theta)^2+(b\sin\theta)^2}\) manbada berilgan shaklida saqlangan; standart ellips polar formulasi bilan jimlikda almashtirilmagan.
Ablatsiya matn–jadval izohi: Manba bayonida bir joyda “64.2% and 76.8% peak dual-modal ASR” ifodasi bor, Table 4 da esa YOLOv11 uchun toʻliq MEC-Patch qiymatlari %61,0 / %78,4 dir. Model boʻyicha qiymatlar jadvalda berilgan shaklida keltirilgan.
Ilmiy talqin chegarasi: Manba MEC-Patch ni real dunyo xavfsizlik zaifliklarini diagnostika qilishga qaratilgan fizika asosidagi baholash doirasi sifatida taqdim etadi; asosiy miqdoriy natijalar yuqori aniqlikdagi fizika bilan cheklangan simulyatsiyalardan keladi. Keng fizik transport vositasi/real trafik dala tasdigʻi oʻtkazilmagan.
Etik/foydalanish chegarasi: Manba supplementary discussion boʻlimida tadqiqot faqat akademik tadqiqot maqsadida, multimodal perception tizimlaridagi potensial xavfsizlik zaifliklarini aniqlash uchun oʻtkazilganini va tijorat maqsadida qoʻllanmasligini ochiq bildiradi.
Kelajakdagi tadqiqot: Kengroq material/coating/fabric/paint kutubxonasi va real geometrik curvature-ni hisobga oladigan yuqori aniqlikdagi 3B adversarial modeling.
Izoh qoldiring
E-pochta manzilingiz chop etilmaydi. Majburiy maydonlar * bilan belgilangan