针对目标检测模型的物理对抗攻击综述

深度学习模型容易受到对抗样本的影响,在图像上添加肉眼不可见的微小扰动就可以使训练有素的深度学习模型失灵。最近的研究表明这种扰动也存在于现实世界中。聚焦于深度学习目标检测模型的物理对抗攻击,明确了物理对抗攻击的概念,并介绍了目标检测物理对抗攻击的一般流程,依据攻击任务的不同,从车辆检测和行人检测两个方面综述了近年来一系列针对目标检测网络的物理对抗攻击方法,简单介绍了其他针对目标检测模型的攻击、其他攻击任务和其他攻击方式。最后讨论了物理对抗攻击当前面临的挑战,引出了对抗训练的局限性,并展望了未来可能的发展方向和应用前景。

可见光条件下伪装目标智能化分割算法综述

对可见光下的伪装目标分割(Camouflage Objects Segmentation,COS)算法的国内外研究现状进行了梳理。首先,将COS的26个模型分为多阶段学习、联合辅助任务和引入额外先验信息3类,阐述了这3类方法的核心思想及各自的优势和不足;其次,详细介绍了COS常用的4个评价指标和8个公共数据集;然后,在3个公共数据集上对这些模型进行定量、定性的分析评估;最后,介绍了COS的主要应用领域,指出了现有算法的局限性,并对COS未来的研究方向进行了探讨。