面向车辆目标检测模型的对抗样本生成方法和端到端对抗训练系统技术方案

本发明专利技术提供了一种面向车辆目标检测模型的对抗样本生成方法和端到端对抗训练系统，本发明专利技术通过控制摄像头视角、天气状态等参数，生成多样化的自动驾驶场景数据，再基于神经渲染器绘制并优化物理可部署的对抗纹理，得到对抗样本，实现多视角下的有效攻击；可以将优化的纹理张贴到车辆表面，实现物理世界的评估与检测；且具有良好的泛化性，能够干扰不同的目标检测模型，可以提升其鲁棒性。发明专利技术还通过预置若干超参数控制交通流特征，设计脚本实现自动化训练。针对识别效果不佳的样本，系统会提取其对应的拍摄参数特征，在下一个轮次生成更多的类似样本，实现自适应的流水线训练过程，定向优化模型的薄弱环节，极大地减少了训练开销。

【技术实现步骤摘要】

本专利技术属于自动驾驶，尤其涉及一种面向车辆目标检测模型的对抗样本生成方法和端到端对抗训练系统。

技术介绍

1、随着“智慧城市”建设的不断推进，传统汽车产业借助人工智能的发展，致力于无人驾驶技术的研发。无人驾驶技术在降低驾驶员负担、提升驾驶安全性等方面发挥着重要作用，具备广阔的发展前景。作为无人驾驶系统的关键一环，视觉感知模块是沟通智能车辆与物理世界之间的纽带，确保该模块的正常运转至关重要。其中，车辆目标检测模型旨在获取障碍信息，是感知模块中运行的基石。

2、然而，一方面由于测试样本难以模拟物理世界的复杂环境，另一方面，深度学习的固有漏洞也为不法分子提供可乘之机。现有研究表明，通过生成精心扰动的图像纹理，可以有效欺骗视觉感知模块。例如：攻击者通过张贴补丁、优化纹理、光线投射等方式，都可以实现干扰乃至欺骗车辆检测模型，降低其性能。应对上述对抗攻击，常见的防御策略有如下几种：

3、1.对抗训练(adversarial training)：对抗通过在训练数据中引入经过修改的对抗样本，使模型在训练过程中逐渐适应这些扰动。在每次训练迭代中，模本文档来自技高网...

【技术保护点】

1.一种面向车辆目标检测模型的对抗样本生成方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，平滑损失具体如下：

3.根据权利要求1所述的方法，其特征在于，所述定位损失采用目标检测器输出的预测边界框与真实边界框之间的交并比中和/或心坐标的欧几里得距离表示。

4.根据权利要求1所述的方法，其特征在于，所述伪装损失具体如下：

5.根据权利要求1所述的方法，其特征在于，生成动态交通流和天气场景的参数，包括天气状态、时间状态、车流密度、车辆类型中的一种或多种。

6.根据权利要求1所述的方法，其特征在于，通过对拍摄参数进行...

【技术特征摘要】

1.一种面向车辆目标检测模型的对抗样本生成方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，平滑损失具体如下：

3.根据权利要求1所述的方法，其特征在于，所述定位损失采用目标检测器输出的预测边界框与真实边界框之间的交并比中和/或心坐标的欧几里得距离表示。

4.根据权利要求1所述的方法，其特征在于，所述伪装损失具体如下：

5.根据权利要求1所述的方法，其特征在于，生成动态交通流和天气场景的参数，包括天气状态、时间状态、车流密度、车辆类型中的一种或多种。

6.根据权利要求1所述的方法，其特征在于，通过对拍摄参数进行线性插值实现多角...

【专利技术属性】
技术研发人员：林峰，马若凯，马哲，闫昊，任奎，
申请(专利权)人：浙江大学，
类型：发明
国别省市：