ODPure: Backdoor Purification for Object Detection via Ensemble Corruption Consensus
随着自动驾驶等应用的发展，目标检测模型的安全问题日益凸显，其中后门攻击可严重破坏模型完整性。攻击者通过在输入中植入预定义触发器，可导致目标类别被篡改（对象误分类）、边界框被移除（对象消失）或为非存在对象生成边界框（对象生成）。尽管图像分类领
#object-detection
共收录 5 条相关情报。
← 返回所有主题Privacy-Preserving Object Detection for Vision Transformer-Based Models
本文提出了一种面向视觉Transformer（ViT）目标检测模型的隐私保护方法。以往针对视觉信息保护的研究主要集中于图像分类任务，而本文首次将感知加密（perceptual encryption）技术应用于目标检测任务。该方法利用ViT的
Budget-Aware Adaptive Adversarial Patches for Black-Box Object Detection
本文提出了一种名为BAAA（Budget-Aware Adaptive Adversarial Patches）的新型黑盒对抗性补丁攻击方法，针对现代目标检测器（如YOLOv5、Faster R-CNN、YOLOS）。现有对抗性补丁攻击存在
Backdoor Mitigation in Object Detection via Adversarial Fine-Tuning
本文研究目标检测模型中的后门攻击防御问题。后门攻击会向深度模型中植入恶意行为，同时保持其在干净数据上的性能，对安全关键的视觉系统构成严重威胁。虽然图像分类领域的后门防御已有广泛研究，但目标检测的防御方法相对不成熟。对抗微调是分类任务中常用的
Fight Fire with Fire: Combating Adversarial Patch Attacks using Pattern-randomized Defensive Patches.
本文提出一种对抗性补丁攻击的防御方法，核心思想是“以火攻火”，即通过向模型输入注入特制的防御性补丁来主动探测或抵消潜在的攻击补丁。作者设计了两种防御补丁：canary（金丝雀）和woodpecker（啄木鸟）。Canary补丁用于探测输入中