面向目标检测的对抗样本综述

目标检测是一种广泛应用于工业控制和航空航天等安全攸关场景的重要技术。随着深度学习在目标检测领域的应用，检测精度得到较大提升，但由于深度学习固有的脆弱性，使得基于深度学习的目标检测技术的可靠性和安全性面临新的挑战。本文对面向目标检测的对抗样本生成及防御的研究分析和总结，致力于为增强目标检测模型的鲁棒性和提出更好的防御策略提供思路。首先，介绍对抗样本的概念、产生原因以及目标检测领域对抗样本生成常用的评价指标和数据集。然后，根据对抗样本生成的扰动范围将攻击分为全局扰动攻击和局部扰动攻击，并在此分类基础上，分别从攻击的目标检测器类型、损失函数设计等方面对目标检测的对抗样本生成方法进行分析和总结，通过实验对比了几种典型目标检测对抗攻击方法的性能，同时比较了这几种方法的跨模型迁移攻击能力。此外，本文对目前目标检测领域常用的对抗防御策略进行了分析和归纳。最后，总结了目标检测领域对抗样本的生成及防御面临的挑战，并对未来发展方向做出展望。

Review of adversarial examples for object detection