馬大研發“隱形斗篷”，使穿戴者在監控下“消失無蹤”

馬里蘭大學帕克分校與Facebook AI的研究人員合作，開發了一種能夠在物理和數字環境中有效降低對象檢測器性能的對抗性模式。這項技術通過在物體上覆蓋特定圖案來欺騙檢測器，使其無法正確識別對象，類似于一種“隱形斗篷”。

研究的主要目的是揭示對象檢測器的安全漏洞。對象檢測器通常用于安全監控和自動駕駛汽車等技術中，用于識別和定位圖片中的物體。研究人員發現，通過有意設計的對抗性圖案，可以欺騙這些檢測器，這在安全敏感的應用中可能造成嚴重問題。

此外，研究還探討了對抗性攻擊的傳遞性，即在不同檢測器模型、不同對象類別和不同數據集之間的傳遞性。研究團隊解決了如何將數字對抗性攻擊轉換到物理世界的問題，確保數字生成的對抗性圖案在現實世界中同樣有效。

研究者開發的特殊對抗性圖案，可以應用到物體表面，如衣物，使得這些物體對對象檢測器來說變得“隱形”。這項技術的主要功能包括生成對抗性圖案，適應多種檢測器模型，并適用于物理世界。工作原理是使用機器學習技術，特別是對抗性訓練方法，生成能夠擾亂檢測器算法的圖案。

對抗性模式的設計、優化和實際應用是該技術方法的關鍵步驟。模式通過對抗性訓練生成，目的是干擾和欺騙對象檢測器。使用標準的對象檢測數據集，如COCO數據集，進行模式初始化和優化。在優化過程中，需要考慮不同的尺寸、角度和光照條件，以確保模式在多種現實世界的條件下都有效。

實體測試和迭代是將數字模式應用到實體物體上的過程，如印刷到衣物或海報上，并在真實環境中進行測試。打印和材質選擇、環境測試以及對攻擊的有效性進行嚴格的量化分析都是這一階段的重要組成部分。

通過這種方法，研究團隊能夠創建一種新的防御機制，可以應用于提高個人隱私保護，或在軍用和安全領域中用于防御自動化監視系統。同時，這項技術的開發也揭示了當前對象檢測技術的潛在脆弱性，為未來的研究和改進提供了重要的洞見。更多信息和論文可以在馬里蘭大學的相關項目網站和arXiv上找到。