基于特征图关注区域的目标检测对抗攻击方法

目标检测在无人驾驶、监控安防等领域应用广泛,但研究发现目标检测系统易受对抗样本影响导致性能下降,对其应用安全造成了巨大危险。当前的目标检测对抗攻击方法大多针对某一类目标检测模型进行攻击,普遍存在迁移能力弱的问题。为解决上述问题,基于生成对抗网络提出了一种目标检测对抗攻击方法,该方法针对检测模型中常用的非极大值抑制机制和检测模型的特征图关注区域设计了位置回归攻击损失,通过该损失优化攻击,能够使模型的非极大值抑制机制失效,引导生成的候选框偏离预测的关注区域,导致模型预测失败。在VOC数据集上进行实验,该方法能够有效攻击Faster-RCNN、SSD300、SSD512、Retinanet、YOLOv5、One-Net等多种类型的目标检测模型,有效提升了目标检测攻击方法的迁移能力。

迷彩伪装目标检测的视觉特征偏好研究

迷彩伪装通过设计颜色和纹理图案来破坏目标的固有形状,其检测依赖的视觉特征应与常规目标不同。然而卷积神经网络的黑盒性质使得不同视觉特征对模型识别的贡献程度无法获知。为解决上述问题,借鉴人类视觉系统设计了一种适用于伪装场景的视觉特征解耦方法,解耦并分析目标检测模型在颜色、纹理和形状特征上的偏好程度。具体来说,使用消除单一特征并保留其余特征的解耦框架,以模型的性能下降情况作为偏向性的衡量标准,通过灰度化处理消除图像的颜色特征,使用区域置乱破坏目标的纹理特征,对目标轮廓取内接形状以改变目标的形状特征。在公开的迷彩伪装人员数据集和常规人员检测数据集上分别进行实验,结果显示,迷彩伪装目标的检测主要依赖纹理,常规目标的检测主要依赖形状。

CAMOU-YOLO:一种迷彩伪装目标检测模型

由于迷彩伪装目标与所处背景高度融合,现有深度目标检测模型在此类目标上的检测效果并不出众。为提升对迷彩伪装目标的检测精度,以YOLOv5s模型为基础,提出了CAMOU-YOLO——一种结合深度可分离卷积和动态注意力的迷彩伪装目标检测模型。针对迷彩伪装目标特征提取难的问题,结合深度可分离卷积与残差结构设计了新的特征提取模块,并对原有骨干网络进行改进,在增强提取能力的同时,减小了模型的参数量;针对迷彩伪装目标定位难度大的问题,在聚合网络中引入动态注意力机制,强化了模型的空间感知能力,使模型对迷彩伪装目标的定位更加精准。在一种公开的迷彩数据集上进行实验,CAMOU-YOLO的mAP@0.5、mAP@0.75和mAP@0.5:0.95指标较原始模型提高了3.2%、5.1%、2.3%,在大、中、小目标上的召回率分别提高了4.1%、2.7%、1.2%,且参数量降低了9.7%;对比其他7种检测算法,CAMOU-YOLO在检测精度上亦具有优势,验证了所提模型对迷彩伪装目标检测任务的有效性。

基于多级特征融合的伪装目标分割

在伪装目标分割任务中,如何提取深度模型下高分辨率的目标语义特征是构建目标分割模型的关键。针对此问题,提出了一种基于多级特征融合的伪装目标分割方法。在特征编码过程中,引入多级门控模块对Res2Net-50的多级中间层特征进行选择性融合,有效过滤各级特征图的干扰信息;在解码过程中,通过自交互残差模块驱动不同尺度的编码特征实现交叉融合,获得更准确的目标表示信息。此外,在交叉熵损失的基础上加入Dice损失形成联合损失函数,帮助模型更精准地分割伪装目标。实验结果证明,在背景复杂的迷彩伪装数据集以及三个常用自然伪装数据集上,相比其他典型模型,该模型表现出更好的分割效果。