卡车对抗伪装优化：欺骗物体检测器
原文中文，约300字，阅读约需1分钟。发表于：。本研究解决了机器学习模型在关键应用中面临的对抗攻击问题，特别是在自驾车和防御系统中的可靠性。提出的卡车对抗伪装优化（TACO）框架，通过在3D车辆模型上生成对抗伪装图案，有效欺骗了先进的物体检测器YOLOv8。实验结果表明，TACO能显著降低YOLOv8的检测性能，且其生成的对抗图案具有良好的迁移性，能够用于其他物体检测模型。
我们提出了Adv3D，这是首次将对抗样本建模为神经辐射场（NeRF）。通过最小化3D检测器的置信度，我们训练了具有真实外观和3D准确性的对抗性NeRF。实验表明其在不同场景和检测器中具有良好的泛化性能，并提供了一种数据增强的防御方法。
