Brand Visibility in Packaging: A Deep Learning Approach for Logo Detection, Saliency-Map Prediction, and Logo Placement Analysis
School of Electrical and Computer Engineering, University of Tehran, College of Engineering（德黑兰大学工程学院电气与计算机工程学院）；Faculty of Electrical Engineering, K. N. Toosi University of Technology（霍加托西理工大学电气工程学院）；Faculty of Engineering, Golestan University（戈尔甘大学工程学院）
提出融合 YOLOv8 标志检测、transformer 显著性预测与品牌注意评分的包装分析框架，并通过数据集和心理物理假设验证其有效性。
2024-03-04 cs.AI cs.CV
ExposureEngine: Oriented Logo Detection and Sponsor Visibility Analytics in Sports Broadcasts
Forzasys；SimulaMet；Oslo Metropolitan University（奥斯陆 Metropolitan 大学）；UiT
ExposureEngine通过端到端系统实现体育转播中旋转感知的赞助商可见性分析，采用OBB预测提升定位精度，并结合自然语言处理生成报告。
2025-10-06 cs.CV cs.MM
Where the Real Clips Came From: Corpus Identity in AI-Generated Video Detection
Luddy School of Informatics, Computing, and Engineering, Indiana University Bloomington（印第安纳大学伯明顿分校卢迪信息学、计算与工程学院）；College of Science and Engineering, Hamad Bin Khalifa University（哈马德·本·哈利法大学科学与工程学院）
提出六项控制协议审计AI生成视频检测的泛化性，发现简单分类器在未审计时AUC达0.998，审计后降至0.529；发布VidAudit工具包，含14个检测器和排行榜。
2026-11-05 cs.CV
Adversarially-Aware Robust Object Detector
Sun Yat-Sen University（中山大学）
目标检测作为计算机视觉的一项基本任务，随着深度神经网络的出现，取得了显著的进展。然而，很少有工作探讨对象检测器的对抗鲁棒性，以抵抗对抗攻击，在各种现实世界的场景中的实际应用。检测器受到不可察觉的扰动的极大挑战，在干净图像上性能急剧下降，在对抗图像上性能极差。在这项工作中，我们经验性地探索了目标检测中对抗鲁棒性的模型训练，这在很大程度上归因于学习干净图像和对抗图像之间的冲突。为了缓解这个问题，我们提出了一个基于对抗感知卷积的鲁棒检测器（RobustDet），以解开干净和对抗图像上的模型学习的梯度。RobustDet还采用了对抗图像鉴别器（AID）和重建一致特征（CFR）来确保可靠的鲁棒性。在PASCAL VOC和MS-COCO上的大量实验表明，我们的模型有效地解开梯度，并显着提高检测鲁棒性，保持对干净图像的检测能力。
2022-07-22 cs.CV
A Comprehensive Study of the Robustness for LiDAR-based 3D Object Detectors against Adversarial Attacks
The Chinese University of Hong Kong（香港中文大学）；City University of Hong Kong（香港城市大学）
本文首次全面评估基于激光雷达的3D目标检测器在对抗攻击下的鲁棒性，扩展三种攻击至3D任务，分析鲁棒性与属性关系及攻击可迁移性，并提出平衡对抗焦点训练以兼顾精度与鲁棒性。
2023-10-17 cs.CV
Chord Angle Deviation using Tangent (CADT), an Efficient and Robust Contour-based Corner Detector
University of Asia Pacific（亚太大学）
角点检测是计算机视觉和图像处理等众多应用中最基本的过程。在我们的论文中，我们提到了一些流行的基于轮廓的角点检测器。在所有这些检测器中，弦三角臂角（CTAA）已被证明是最主要的角检测器的平均重复性。本文介绍了一种新的计算曲率的有效方法。实验结果表明，我们提出的技术优于CTAA和本文提到的其他检测器。结果表明，我们提出的方法是简单而有效的，在寻找角点更准确和可靠。
2017-02-16 cs.CV
Transformer-Encoder Detector Module: Using Context to Improve Robustness to Adversarial Attacks on Object Detection
The University of Exeter（埃克塞特大学）；Middle East Technical University（中东技术大学）；University of Glasgow（格拉斯哥大学）
深度神经网络方法在对象识别（CNN）和检测（Faster-R CNN）任务中表现出了高性能，但实验表明，这种架构容易受到对抗攻击（FFF，UAP）的影响：人眼几乎无法感知的低幅度扰动可能导致标记性能大幅下降。本文提出了一个新的上下文模块，称为\textit{Transformer-Encoder Detector Module}，可以应用于对象检测器（i）提高对象实例的标记;（ii）提高检测器对对抗攻击的鲁棒性。与基线Faster-RCNN检测器相比，所提出的模型实现了更高的mAP，F1得分和AUC平均得分高达13%，并且由于包含从场景中提取并编码到模型中的上下文和视觉特征，在受到FFF或UAP攻击的图像上的mAP得分高出8分。实验结果表明，一个简单的ad-hoc上下文模块可以显著提高目标检测器的可靠性。
2020-11-13 cs.CV
Synthesizing Unrestricted False Positive Adversarial Objects Using Generative Models
ETH Zurich（苏黎世联邦理工学院）；ABB Future Labs（ABB未来实验室）
对抗性示例是被神经网络错误分类的数据点。最初，对抗性示例仅限于向给定图像添加小扰动。最近的工作引入了无限制对抗示例的广义概念，对添加的扰动没有限制。在本文中，我们介绍了一种新的攻击类别，它可以为目标检测创建不受限制的对抗性示例。我们的关键思想是生成与目标对象检测器识别的类无关的对抗对象。与以前的攻击不同，我们使用现成的生成对抗网络（GAN），不需要任何进一步的训练或修改。我们的方法包括搜索潜在的正常空间的GAN的敌对对象被错误地识别的目标对象检测器。我们在常用的Faster R-CNN ResNet-101，Inception v2和SSD Mobilenet v1对象检测器上使用在CIFAR-10上训练的徽标生成iWGAN-LC和SNGAN来评估这种方法。实验结果表明，生成的对抗对象与GANs生成的非对抗对象无法区分，在对象检测器之间可转移，并且在物理世界中具有鲁棒性。这是第一次研究用于目标检测的无限制假阳性对抗示例。
2020-05-19 cs.CR cs.CV cs.LG
Learning A Robust RGB-Thermal Detector for Extreme Modality Imbalance
Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））
针对现实场景中模态退化导致的极端模态不平衡问题，提出基础-辅助检测器架构，结合模态交互模块与伪退化策略，有效提升模型鲁棒性并将 Missing Rate 降低 55%。
2025-05-28 cs.CV
ChESS - Quick and Robust Detection of Chess-board Features
Cambridge University（剑桥大学）
棋盘顶点的定位是计算机视觉中的一项常见任务，支持许多应用，但相对较少的工作集中在设计一个快速，准确和鲁棒的特定特征检测器。在本文中，“棋盘提取减法和求和”（国际象棋）的功能检测器，专门响应棋盘顶点，提出。所提出的方法是鲁棒的对噪声，照明和对比度差，不需要先验知识的棋盘图案的程度，是计算上非常有效的，并提供了一个强度测量检测到的功能。这种探测器在相机校准的关键领域以及结构光3D重建中都有重要的应用。证据表明，它的鲁棒性，准确性和效率相比，其他常用的探测器，无论是在模拟和实验的平板和圆柱形物体的三维重建
2013-01-23 cs.CV
Evaluating object detector ensembles for improving the robustness of artifact detection in endoscopic video streams
Escuela de Ingenieria y Ciencias, Tecnologico de Monterrey（蒙特雷理工学院工程与科学学院）；CRAN (UMR 7039), Université de Lorraine（洛林大学CRAN（UMR 7039））；CNRS（法国国家科学研究中心）
在这篇文章中，我们使用了一种集成深度学习方法来组合两个单独的一级检测器的预测（即，YOLOv4和Yolact），旨在检测内窥镜图像中的伪影。这种集成策略使我们能够提高各个模型的鲁棒性，而不会损害它们的实时计算能力。我们通过在“内窥镜内窥镜检测挑战”数据集上训练和测试两个单独的模型和各种集成配置来证明我们方法的有效性。大量的实验表明，在平均平均精度方面，集成方法比单个模型和以前的作品在最先进的状态。
2022-06-15 cs.CV
Adversarially Robust One-class Novelty Detection
Johns Hopkins University（约翰斯·霍普金斯大学）
单类新颖性检测器使用特定类的示例进行训练，并负责识别查询示例是否属于相同的已知类。最新的进展采用了深度自动编码器风格的架构来计算新颖性分数，以检测新颖的类数据。深度网络已被证明容易受到对抗攻击的攻击，但很少有人关注深度新奇检测器的对抗鲁棒性。在本文中，我们首先证明了现有的新颖性检测器容易受到对抗性示例的影响。我们进一步证明，常用的防御方法的分类任务有有限的有效性在一类新颖性检测。因此，我们需要一种专门为新奇检测而设计的防御。为此，我们提出了一种防御策略，该策略操纵新颖检测器的潜在空间，以提高对对抗性示例的鲁棒性。所提出的方法，被称为主潜在空间（PrincipaLS），学习潜在空间中的增量训练级联主成分，以增强新颖性检测器。PrincipaLS可以针对对抗性示例净化潜在空间，并将潜在空间约束为专门建模已知的类分布。我们对8种攻击、5种数据集和7种新颖检测器进行了广泛的实验，结果表明PrincipaLS始终增强了新颖检测模型的对抗鲁棒性。代码可在https://github.com/shaoyuanlo/PrincipaLS上获得
2022-10-03 cs.CV
Robust and High Performance Face Detector
Vimicro AI Chip Technology Corporation（中颖电子AI芯片技术公司）；State Key Laboratory of Digital Multi-media Chip Technolgy（数字多媒体芯片技术国家重点实验室）
近年来，人脸检测在深度卷积神经网络的推动下经历了显著的性能改进。在这份报告中，我们重新实现了最先进的检测器SRN，并应用最近文献中提出的一些技巧来获得一个非常强大的人脸检测器，名为VIM-FD。具体来说，我们利用了更强大的骨干网络，如DenseNet-121，重温了数据增强的基础上提出的数据锚采样PyramidBox，并使用最大进出标签和锚匹配策略SFD。此外，我们亦引入注意力机制，以提供额外的监察。在最流行和最具挑战性的人脸检测基准，即，VIM-FD具有更宽的表面，实现了最先进的性能。
2019-01-06 cs.CV
COCO-O: A Benchmark for Object Detectors under Natural Distribution Shifts
Alibaba Group（阿里巴巴集团）；Zhejiang University（浙江大学）；University of Bath（巴斯大学）；Tsinghua University（清华大学）
本文提出COCO-O基准数据集，用于评估目标检测器在自然分布偏移下的鲁棒性，发现主干网络对鲁棒性影响最大，且大规模基础模型显著提升了鲁棒检测能力。
2023-08-02 cs.CV
Exemplar-based Linear Discriminant Analysis for Robust Object Tracking
Huazhong University of Science and Technology（华中科技大学）
检测跟踪是一种非常有吸引力的跟踪技术，它将跟踪问题视为一个类别检测问题。然而，跟踪中的任务是搜索特定的对象，而不是像检测中那样搜索对象类别。在本文中，我们提出了一种新的跟踪框架的基础上，样本检测器，而不是类别检测器。建议的跟踪器是一个基于样本的线性判别分析（ELDA）检测器的合奏。每个检测器都是非常具体和有区别的，因为它是由单个对象实例和大量否定训练的。为了提高其自适应性，我们更新对象和背景模型。在几个具有挑战性的视频序列上的实验结果表明，我们的跟踪算法的有效性和鲁棒性。
2014-02-24 cs.CV
Robust Object Detection in Remote Sensing Imagery with Noisy and Sparse Geo-Annotations (Full Version)
LMU Munich（慕尼黑大学）
最近，航空器和卫星遥感图像的可用性不断提高。为了自动解释这些数据，基于深度学习的物体检测器实现了最先进的性能。然而，已建立的对象检测器需要完整、精确和正确的限界框注释用于训练。为了为物体探测器创建必要的训练注释，可以对图像进行地理参考，并将其与来自其他来源的数据相结合，例如通过GPS传感器定位的兴趣点。不幸的是，这种组合通常会导致对象定位不佳和注释丢失。因此，用这样的数据训练对象检测器常常导致检测性能不足。在本文中，我们提出了一种新的方法来训练对象检测器，非常嘈杂和不完整的注释。我们的方法是基于教师-学生的学习框架和纠正模块占不精确和缺失的注释。因此，我们的方法易于使用，可以与任意对象检测器相结合。我们证明，我们的方法提高了37.1\% $AP_{50}$的标准检测器在嘈杂的现实世界的遥感数据集。此外，我们的方法在两个具有合成噪声的数据集上实现了很大的性能增益。代码可在\url{https://github.com/mxbh/robust_object_detection}上获得。
2022-10-24 cs.CV
Exploring the Adversarial Robustness of CLIP for AI-generated Image Detection
University Federico II of Naples（那不勒斯费德里科二世大学）
本文研究基于CLIP和ViT的AI生成图像检测器对抗鲁棒性，发现其与CNN检测器同样易受白盒攻击，但攻击在两类方法间难以迁移，频域噪声模式差异证实了这一点。
2024-10-23 cs.CV
RDD: Robust Feature Detector and Descriptor using Deformable Transformer
Institute for Creative Technologies（创意技术研究所）；University of Southern California（南加州大学）
RDD通过变形Transformer实现鲁棒特征检测与描述，优于现有方法并在稀疏和半密集匹配中表现优异。
2025-12-05 cs.CV
Robust Fuzzy corner detector
Universidad de Guadalajara, CUCEI（瓜达拉哈拉大学）；CINVESTAV-Unidad Guadalajara（墨西哥高级研究中心瓜达拉哈拉分部）；Freie Universität Berlin（柏林自由大学）
可靠的角点检测是确定图像中不同区域形状的重要任务。现实生活中的图像数据总是不精确的，由于固有的不确定性，可能会出现从成像过程中，如散焦，照明变化，噪声等，因此，角点的定位和检测已成为一项艰巨的任务，在这种不完美的情况下完成。另一方面，模糊系统是众所周知的，他们的有效处理的不精确性和不完整性，这使得他们天生适合建模角属性的一个基于规则的模糊系统。本文提出了一种角点检测算法，采用这种模糊推理。该算法的鲁棒性进行了比较，众所周知的传统的角点检测器，其性能也进行了测试，在一些基准图像，以说明该算法的效率下的不确定性。
2014-05-21 cs.CV
Take Fake as Real: Realistic-like Robust Black-box Adversarial Attack to Evade AIGC Detection
Key Laboratory of Aerospace Information Security and Trusted Computing, Ministry of Education（教育部航空航天信息安全与可信计算重点实验室）；School of Cyber Science and Engineering, Wuhan University（武汉大学网络安全学院）
针对现有对抗攻击在AIGC检测上效果差、隐蔽性弱的问题，提出基于后处理融合优化的黑盒攻击R²BA，利用粒子群算法平衡对抗性与隐蔽性，在GAN和扩散检测器上显著提升抗检测性能。
2024-12-16 cs.CV
Towards Building Self-Aware Object Detectors via Reliable Uncertainty Quantification and Calibration
Five AI Ltd.（Five AI有限公司）
本文提出自感知目标检测（SAOD）任务及统一测试框架，通过新指标和大规模数据集评估检测器在领域偏移下的鲁棒性、场景级置信度不确定性估计和校准能力，并提供了简单基线以推动鲁棒目标检测器研究。
2023-07-03 cs.CV
Toward Robust and Accurate Adversarial Camouflage Generation against Vehicle Detectors
Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））；Zhejiang University（浙江大学）
RAUCA通过引入E2E-NRP和多天气数据集，提升了对抗伪装生成的鲁棒性和准确性，优于现有方法。
2025-12-17 cs.CV
Vision in adverse weather: Augmentation using CycleGANs with various object detectors for robust perception in autonomous racing
Oxford Brookes University（牛津布鲁克斯大学）；University of Oxford（牛津大学）
在自动驾驶系统中，感知-从环境中识别特征和物体-至关重要。在自动驾驶赛车中，高速和小幅度要求快速准确的检测系统。在比赛中，天气可能会突然变化，导致感知能力显著下降，从而导致无效的操纵。为了改善恶劣天气下的检测，基于深度学习的模型通常需要在这种条件下捕获大量数据集-收集这些数据集是一个繁琐，费力和昂贵的过程。然而，CycleGAN架构的最新发展允许在多种天气条件下合成高度逼真的场景。为此，我们介绍了一种在自动赛车中使用合成的不利条件数据集（使用CycleGAN生成）的方法，以在夜间条件和液滴的存在下分别将五分之四的最先进检测器的性能提高平均42.7和4.4 mAP百分点。此外，我们提出了一个比较分析的五个对象检测器-确定最佳配对的检测器和训练数据，用于在自主赛车在具有挑战性的条件。
2023-01-02 cs.CV
TGGLines: A Robust Topological Graph Guided Line Segment Detector for Low Quality Binary Images
University of Dayton（代顿大学）；Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；Montana State University（蒙大拿州立大学）；University of New Mexico（新墨西哥大学）
线段检测是计算机视觉和图像分析中的一项重要任务，因为它是自动驾驶的形状建模和道路车道线检测等高级任务的关键基础。我们提出了一个强大的拓扑图引导的方法在低质量的二值图像（因此，我们称之为TGGLines）的线段检测。由于图形引导的方法，TGGLines不仅检测线段，而且还用线段连接图组织线段，这意味着拓扑关系（例如，捕获并存储检测到的线段的一个或多个线段（例如，交点、隔离线段）;而其他线检测器仅保留松散线段的集合。我们的实证结果表明，TGGLines检测器在视觉上和定量上优于最先进的线段检测方法。此外，我们的TGGLines方法具有以下两个竞争优势：（1）我们的方法只需要一个参数，它是自适应的，而几乎所有其他线段检测方法都需要多个（非自适应）参数，（2）TGGLines检测到的线段由线段连接图组织。
2020-02-27 cs.CV
Self-supervised Robust Object Detectors from Partially Labelled Datasets
Université Laval（拉瓦尔大学）；Mila（米拉人工智能研究所）
在目标检测任务中，合并来自相似上下文但具有不同感兴趣对象（OoI）集的各种数据集是一种制作覆盖广泛对象的大规模数据集的廉价方式（就劳动力成本而言）。此外，合并数据集允许我们训练一个集成的对象检测器，而不是训练几个，这反过来又导致计算和时间成本的减少。然而，合并来自类似上下文的数据集会导致样本带有部分标签，因为每个组成数据集最初都是针对其自己的OoI集进行注释的，并且忽略了注释合并数据集后变得感兴趣的那些对象。以训练\emph{one integrated robust object detector with high generalization performance}为目标，提出了一个训练框架来克服合并数据集的缺失标签挑战。更具体地说，我们提出了一个计算效率高的自监督框架，以创建在飞行中的伪标签的合并数据集中的未标记的积极的情况下，以训练的对象检测器联合地面真理和伪标签。我们评估了我们提出的框架，用于在具有丢失率$\approx\!48\%$的模拟合并数据集上使用VOC 2012和VOC 2007训练Yolo。我们的经验表明，在地面真值和我们的方法创建的伪标签上训练的Yolo的泛化性能平均$4\%$高于仅用合并数据集的地面真值标签训练的Yolo。
2020-06-27 cs.CV
RAUCA: A Novel Physical Adversarial Attack on Vehicle Detectors via Robust and Accurate Camouflage Generation
School of Computer Science and Technology, Harbin Institute of Technology（哈尔滨工业大学计算机科学与技术学院）
针对车辆检测器的物理攻击，提出鲁棒精确的迷彩生成方法RAUCA，通过引入NRP组件精确映射纹理并整合多天气数据集，显著提升了多视角和多天气条件下的攻击性能。
2024-10-15 cs.CV
Open-Vocabulary Object Detectors: Robustness Challenges under Distribution Shifts
Luleå Tekniska Universitet（吕勒奥理工大学）；Fraunhofer Heinrich-Hertz-Institut（弗劳恩霍夫海因里希·赫兹研究所）
本文系统评估OWL-ViT、YOLO World和Grounding DINO在COCO系列分布偏移基准上的零样本鲁棒性，揭示其在多种偏移下的挑战。
2024-09-06 cs.CV
Generalized Diffusion Detector: Mining Robust Features from Diffusion Models for Domain-Generalized Detection
Institute of Artifcial Intelligence, Xiamen University（厦门大学人工智能学院）；School of Aerospace Engineering, Xiamen University（厦门大学航空航天工程学院）
本文提出广义扩散检测器，通过提取扩散模型多步中间特征获得域不变特征，并设计高效知识迁移框架，在六个DG基准上显著提升域泛化检测性能。
2025-06-04 cs.CV
Adversarial Camera Patch: An Effective and Robust Physical-World Attack on Object Detectors
University of Electronic Science and Technology of China（电子科技大学）
针对现有相机物理攻击需在镜头部署多个贴片、复杂度高的问题，本文提出单一对抗性相机贴片 ADCP，以更简洁的方式对目标检测器实施隐蔽物理攻击。
2023-12-11 cs.CV
Noise Sensitivity-Based Energy Efficient and Robust Adversary Detection in Neural Networks
Yale University（耶鲁大学）
神经网络在计算机视觉中取得了卓越的性能，但它们容易受到对抗性样本的影响。对抗性样本是经过仔细扰动以欺骗分类器网络的输入，同时对人类来说似乎没有变化。基于以前的工作检测对手，我们提出了一种结构化的方法来增强深神经网络（DNN）与检测器子网络。我们使用$\textit{Adversarial Noise Sensitivity}$（ANS），这是一种新的度量标准，用于测量网络不同中间层的对抗梯度贡献。基于ANS值，我们将检测器附加到最敏感的层。在以前的工作中，更复杂的检测器被添加到DNN中，增加了模型的推理计算成本。相比之下，我们在DNN中结构化和战略性地添加了一个检测器，降低了模型的复杂性，同时使整个网络具有对抗弹性。通过对MNIST、CIFAR-10和CIFAR-100进行全面的白盒和黑盒实验，我们证明了我们的方法提高了最先进的检测器对对抗性示例的鲁棒性。此外，我们通过对各种硬件可扩展CMOS加速器平台进行广泛的能量分析，验证了我们提出的对抗检测方法的能量效率。我们还展示了我们的检测器附加网络的量化的影响。
2021-07-03 cs.CV
Robustness Enhancement of Object Detection in Advanced Driver Assistance Systems (ADAS)
Myongji University（明知大学）；Chonnam University（全南大学）；HCMC University of Technology and Education（胡志明市技术师范大学）
提出了一种集成紧凑型目标检测器和环境条件分类器的统一系统，用于增强高级驾驶辅助系统（ADAS）中目标检测方案的鲁棒性。ADAS的发明是为了提高自动驾驶系统的交通安全性和有效性，其中目标检测起着极其重要的作用。然而，由于部署阶段的高延迟和环境上下文的变化，集成在ADAS中的现代对象检测器仍然不稳定。我们的系统被提出来解决上述问题。所提出的系统包括两个主要组件：（1）紧凑的一级物体检测器，与最先进的物体检测器相比，预计能够以相当的精度执行，以及（2）环境条件检测器，有助于在自动驾驶汽车由于情况的重要性而需要人类行动的情况下向云发送警告信号。实验结果证明了该系统的可靠性和可扩展性，以现实的场景。
2021-05-04 cs.CV
DePatch: Towards Robust Adversarial Patch for Evading Person Detectors in the Real World
Wuhan University（武汉大学）；WeChat, Tencent（腾讯微信）
针对现有对抗补丁自耦合导致真实场景鲁棒性差的问题，提出DePatch解耦攻击方法，通过分块随机擦除、边界偏移和渐进解耦提升攻击能力，实验证明其性能优于同类物理对抗攻击。
2024-08-13 cs.CV
Robustness Analysis of Pedestrian Detectors for Surveillance
Jiangxi University of Finance and Economics（江西财经大学）；Nanyang Technological University（南洋理工大学）
为了在监控视频中获得有效的行人检测结果，针对严重遮挡、姿态变化、背景杂乱、\emph{etc}等问题提出了多种方法。除了检测精度，一个强大的监控视频系统应该是稳定的视频质量下降的网络传输，环境变化等，在这项研究中，我们进行的行人检测算法的鲁棒性视频质量下降的研究。本文的主要贡献包括以下三个方面。首先，一个大规模的失真的监控视频数据集（DSurVD）是由高质量的视频序列及其相应的失真版本。其次，我们设计了一种方法来评估检测的稳定性和鲁棒性措施称为鲁棒性四边形，它可以用来可视化检测准确率的行人检测算法在高质量的视频序列和稳定性与视频质量下降。第三，现有的7个行人检测算法的鲁棒性进行了评估所建立的DSurVD。实验结果表明，该方法可以进一步提高现有行人检测算法的鲁棒性。此外，我们提供了许多深入的讨论，不同的失真类型如何影响行人检测算法的性能，这是重要的设计有效的行人检测算法的监控。DSurVD数据集可从百度云盘下载，https：//pan.baidu.com/s/1I9Kqj8rmubOYu7bkBfkUpA，密码：lqmc
2018-07-17 cs.CV
Edge Detectors Can Make Deep Convolutional Neural Networks More Robust
Zhejiang University of Science and Technology（浙江科技大学）；Zhejiang University（浙江大学）
本文受人类视觉启发，设计二值边缘特征分支(BEFB)提取形状特征并与纹理特征结合，首次证明融合形状与纹理特征能增强深度卷积神经网络对抗攻击的鲁棒性。
2024-07-24 cs.CV
Robust Object Detection via Instance-Level Temporal Cycle Confusion
Microsoft Research（微软研究院）；ETH Zürich（苏黎世联邦理工学院）；University of Washington（华盛顿大学）；UC San Diego（加州大学圣迭戈分校）；UC Berkeley（加州大学伯克利分校）
构建可靠的对象检测器，这些检测器对域变化（例如上下文、视点和对象外观的各种变化）具有鲁棒性，对于现实世界的应用至关重要。在这项工作中，我们研究了辅助自我监督任务的有效性，以提高对象检测器的分布外泛化。受最大熵原理的启发，我们引入了一种新的自监督任务，实例级时间周期混淆（CycConf），它对对象检测器的区域特征进行操作。对于每个对象，任务是在视频中的相邻帧中找到最不同的对象建议，然后循环回到自身进行自我监督。CycConf鼓励对象检测器在各种运动下跨实例探索不变结构，这导致在测试时在看不见的域中提高模型鲁棒性。当在大规模视频数据集（BDD 100K和Waymo开放数据）上训练对象检测器与自监督任务时，我们观察到一致的域外性能改进。联合训练框架还建立了标准无监督域自适应检测基准（Cityscapes，Foggy Cityscapes和Sim10K）的最新技术水平。代码和模型可在https://github.com/xinw1012/cycle-confusion上获得。
2021-08-23 cs.CV
NaturalAE: Natural and Robust Physical Adversarial Examples for Object Detectors
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）
在本文中，我们提出了一个自然和强大的物理对抗性的例子攻击方法，在现实世界的条件下，目标检测器。生成的对抗性示例对各种物理约束具有鲁棒性，并且在视觉上看起来与原始图像相似，因此这些对抗性示例对人类来说是自然的，不会引起任何怀疑。首先，为了确保对抗性示例在真实世界条件下的鲁棒性，所提出的方法利用不同的图像变换函数来模拟对抗性示例生成的迭代优化过程中的各种物理变化。其次，在构造自然对抗样本时，该方法采用自适应模板来约束扰动的面积和强度，并利用真实世界扰动分数（RPS）使扰动与真实世界中的噪声相似。与现有的研究相比，我们生成的对抗性示例可以在不太明显的扰动下实现高成功率。实验结果表明，生成的对抗性示例在各种室内和室外物理条件下都是鲁棒的，包括不同的距离，角度，光照和拍摄。具体而言，室内和室外生成的对抗示例的攻击成功率分别高达73.33%和82.22%。同时，该方法保证了生成对抗性样本的自然性，并且所增加的扰动量远小于现有方法中的扰动量。此外，所提出的物理对抗攻击方法可以从白盒模型转移到其他目标检测模型。
2021-03-17 cs.CV
Robustness of Object Detectors in Degrading Weather Conditions
Graz University of Technology（格拉茨技术大学）；Intel Labs（英特尔实验室）
用于自动驾驶的最先进的目标检测系统在晴朗的天气条件下取得了令人鼓舞的结果。然而，这种自主安全关键系统还需要在恶劣的天气条件下工作，例如雨，雾和雪。不幸的是，大多数方法仅在KITTI数据集上进行评估，该数据集仅由清晰的天气场景组成。在本文中，我们解决了这个问题，并在真实天气条件下捕获的数据上对单模态和双模态架构进行了最详细的评估。我们分析了这些架构在恶劣天气条件下的性能下降。我们证明，一个目标检测架构表现良好，在晴朗的天气可能无法处理退化的天气条件。我们还对双模态架构进行消融研究，并显示其局限性。
2021-06-16 cs.CV
Adversarial Detector with Robust Classifier
Tokyo Metropolitan University（东京都立大学）
众所周知，深度神经网络（DNN）模型很容易通过使用具有小扰动的输入图像（称为对抗性示例）对预测结果进行错误分类。在本文中，我们提出了一种新的对抗检测器，它由一个强大的分类器和一个简单的，高度检测敌对的例子。建议的对抗性检测器进行按照普通和强大的分类器的logits。在一个实验中，所提出的检测器被证明优于一个国家的最先进的检测器没有任何强大的分类。
2022-02-05 cs.CV cs.LG
Role of Spatial Context in Adversarial Robustness for Object Detection
University of Maryland, Baltimore County（马里兰大学巴尔的摩郡分校）
在快速目标检测算法中利用空间上下文的好处已经被广泛研究。检测器通过对每个图像进行单次正向传递来提高推理速度，这意味着它们隐式地使用上下文推理进行预测。然而，我们可以证明，对手可以设计不与场景中任何感兴趣的对象重叠的对抗性补丁，并利用上下文推理来欺骗标准检测器。在本文中，我们研究了这个问题，并设计了特定于类别的对抗补丁，使广泛使用的对象检测器（如YOLO）对攻击者选择的对象类别视而不见。我们还表明，在对象检测器训练过程中限制空间上下文的使用可以提高对此类对手的鲁棒性。我们相信基于上下文的对抗攻击的存在是令人担忧的，因为对抗补丁可以在不靠近任何感兴趣对象的情况下影响预测。因此，防御此类攻击变得具有挑战性，我们敦促研究界关注此漏洞。
2020-04-18 cs.CV
DetectorGuard: Provably Securing Object Detectors against Localized Patch Hiding Attacks
Princeton University（普林斯顿大学）
最先进的对象检测器容易受到局部补丁隐藏攻击，其中对手引入一个小的对抗补丁，使检测器错过显著对象的检测。补丁攻击者可以通过打印并将对抗补丁附加到受害者对象来执行物理世界攻击。在本文中，我们提出DetectorGuard作为第一个通用框架，用于构建可证明鲁棒的对象检测器，以对抗局部补丁隐藏攻击。DetectorGuard的灵感来自于鲁棒图像分类研究的最新进展;我们问：我们能适应鲁棒的图像分类器来进行鲁棒的目标检测吗？不幸的是，由于它们的任务差异，从鲁棒图像分类器天真地适配的对象检测器1）在对抗设置中可能不一定是鲁棒的，或者2）甚至在干净设置中保持不错的性能。为了建立一个高性能的鲁棒对象检测器，我们提出了一个对象解释策略：我们适应一个强大的图像分类器来预测对象的每个图像位置，然后解释每个对象使用传统的对象检测器预测的边界框。如果所有对象都得到了很好的解释，我们就输出传统对象检测器做出的预测;否则，我们就发出攻击警报。值得注意的是，1）在对抗环境中，我们正式证明了DetectorGuard对认证对象的端到端鲁棒性，即，它要么检测对象，要么触发警报，以防止我们的威胁模型中的任何补丁隐藏攻击者; 2）在干净的设置中，我们具有与最先进的对象检测器几乎相同的性能。我们对PASCAL VOC，MS COCO和KITTI数据集的评估进一步证明了DetectorGuard以可忽略的成本（<1%）实现了对…
2021-10-26 cs.CR cs.CV cs.LG
Deciphering the Definition of Adversarial Robustness for post-hoc OOD Detectors
Fraunhofer ITWM（弗劳恩霍夫信息技术与微系统研究所）；Heidelberg University（海德堡大学）；École Normale Supérieure, PSL University（巴黎高等师范学院，PSL大学）
本文研究了16种事后OOD检测器针对各种规避攻击的对抗鲁棒性，提出了包含统一数据集对抗样本和自适应攻击防御的对抗防御路线图，以准确评估和提升检测器在现实场景中的安全性。
2025-01-29 cs.CR cs.CV
EnsemHalDet: Robust VLM Hallucination Detection via Ensemble of Internal State Detectors
The University of Electro-Communications（电通大学）
本文提出EnsemHalDet，一种通过集成多个内部表示的视觉语言模型幻觉检测框架，以提高多模态幻觉检测的鲁棒性。
2026-05-19 cs.CL cs.CV
RAID: A Dataset for Testing the Adversarial Robustness of AI-Generated Image Detectors
University of Cagliari（卡利里大学）；Ruhr University Bochum（波恩鲁尔大学）；University of Modena and Reggio Emilia（摩德纳和雷吉奥艾米利亚大学）；University of Pisa（比萨大学）；Sapienza University of Rome（罗马萨皮恩扎大学）；CINI（CINI研究所）
本文提出 RAID 数据集，包含 7.2 万个高可迁移对抗样本，用于快速、可靠地评估 AI 生成图像检测器的对抗鲁棒性，并揭示现有检测器易受欺骗。
2026-10-30 cs.CV cs.LG
Robust Onion: Peeling Open Vocab Object Detectors Under Noise
UCF Institute of Artificial Intelligence, University of Central Florida (UCF)（中佛罗里达大学人工智能研究所）
通过受控合成视觉退化逐层分析开放词汇目标检测器，发现视觉骨干相似时鲁棒性主要由图像域决定，并提出轻量级方法提升真实场景鲁棒性。
2026-06-26 cs.AI cs.CV
On the Importance of Backbone to the Adversarial Robustness of Object Detectors
Tsinghua University（清华大学）；Chinese Institute for Brain Research（中国脑科学研究所）；THU-Bosch JCML Center（清华-博世联合计算与机器学习中心）
针对现有目标检测器对抗鲁棒性提升工作存在安全错觉的问题，提出基于对抗预训练骨干的快速对抗微调方案，证实骨干网络对检测器鲁棒性的关键作用，为设计SOTA鲁棒检测器提供启发并树立新里程碑。
2025-02-13 cs.AI cs.CR cs.CV
Robust and Accurate Object Detection via Adversarial Learning
Google（谷歌公司）；UCLA（加利福尼亚大学洛杉矶分校）；UCSC（加利福尼亚大学圣克鲁兹分校）
数据增强已成为训练高性能深度图像分类器的事实上的组件，但其潜力在目标检测中尚未得到充分开发。注意到大多数最先进的对象检测器受益于微调预训练的分类器，我们首先研究分类器如何从各种数据增强中获得的收益转移到目标检测。结果令人沮丧;在精确度或鲁棒性方面进行微调后，收益会减少。相反，这项工作通过探索对抗性示例来增强对象检测器的微调阶段，这可以被视为依赖于模型的数据增强。我们的方法动态地选择来自检测器的分类和定位分支的更强的对抗图像，并随着检测器的发展而发展，以确保增强策略保持当前和相关。这种依赖于模型的增强比AutoAugment更好地推广到不同的对象检测器，AutoAugment是一种基于一个特定检测器搜索的模型不可知的增强策略。在COCO目标检测基准测试中，我们的方法将最先进的EfficientDets的性能提高了+1.1 mAP。它还将检测器对自然失真的鲁棒性提高了+3.8 mAP，对域偏移的鲁棒性提高了+1.3 mAP。模型可在https://github.com/google/automl/tree/master/efficientdet/Det-AdvProp.md上获得
2021-03-26 cs.CV cs.LG
LipSSD: Lipschitz-Constrained Single-Shot Detection for Adversarially Robust Object Detection
IRIT；Alstom（阿尔斯通）；SNCF（法国国家铁路公司）
研究目标检测对抗鲁棒性问题，提出引入利普希茨约束变体，以LipSSD验证，分析约束权衡，证明其与对抗训练互补，在多数据集测试中可提高鲁棒性且保持干净性能，为提升目标检测器鲁棒性提供实用方向。
2026-07-09 cs.AI cs.CV
Deepfake detectors are DUMB: A benchmark to assess adversarial training robustness under transferability constraints
Thales（泰雷兹）
本文提出了一种评估深度伪造检测器在可转移性约束下鲁棒性的基准，通过分析五种检测器、三种攻击和两个数据集的实验结果，揭示了对抗训练策略在不同场景下的效果差异。
2026-01-09 cs.CR cs.CV
On a cepstrum-based speech detector robust to white noise
研究了加性白噪声对语音信号倒谱表示的影响。每个人的倒谱系数的语音的分布强烈依赖于噪声和重叠显着与噪声的倒谱分布。基于这些研究，我们建议一个标量，V，等于加权倒谱系数的总和，这是能够分类的帧包含语音对噪声帧。语音帧和噪声帧的V分布在SNR = 5dB以上得到了合理的分离，证明了基于V的鲁棒语音检测器的可行性。
2000-10-10 cs.CL cs.CV cs.HC
Common Corruption Robustness of Point Cloud Detectors: Benchmark and Enhancement
University of Alberta（阿尔伯塔大学）；Alberta Machine Intelligence Institute（阿尔伯塔机器智能研究所）；Kyushu University（九州大学）；Nanyang Technological University（南洋理工大学）；New York University（纽约大学）
最近，通过基于LiDAR的点云进行目标检测在自动驾驶中非常重要。尽管在公共基准上实现了高精度，但由于现实世界中普遍存在的腐败，如雨，雪，传感器噪声等，最先进的检测器仍然可能出错并造成重大损失。然而，缺乏覆盖不同场景和具有不同严重程度的现实腐败类型的大规模数据集来开发实用和鲁棒的点云检测器，这是具有挑战性的，因为沉重的收集成本。为了缓解这一挑战并开始稳健点云检测的第一步，我们提出了物理感知的仿真方法来生成不同真实世界常见损坏情况下的退化点云。然后，对于第一次尝试，我们构建了一个基于物理感知的点云检测器常见损坏的基准测试，其中包含总共1，122，150个示例，涵盖7，481个场景，25种常见损坏类型和6种严重程度。有了这样一个新的基准，我们进行了广泛的实证研究8国家的最先进的检测器，包含6个不同的检测框架。因此，我们得到了几个洞察观察揭示了检测器的脆弱性，并指示增强方向。进一步研究了现有的基于数据增强和数据去噪的鲁棒性增强方法的有效性。该基准测试可能成为评估点云检测器的新平台，为开发新的鲁棒性增强方法打开了大门。
2022-10-12 cs.CV cs.LG cs.RO
Robust and efficient post-processing for video object detection
Universidad de Zaragoza（萨拉戈萨大学）；Bitbrain Technologies（比特脑科技）
视频中的对象识别对于许多应用来说都是一项重要任务，包括自动驾驶感知、监控任务、可穿戴设备或物联网网络。由于模糊、遮挡或罕见的对象姿态，使用视频数据的对象识别比使用静止图像更具挑战性。特定的视频检测器具有较高的计算成本或标准的图像检测器与快速后处理算法一起实现当前的最先进的。这项工作引入了一种新的后处理流水线，克服了以前的后处理方法的一些限制，通过引入基于学习的跨帧检测之间的相似性评估。我们的方法提高了最先进的特定视频检测器的结果，特别是关于快速移动的对象，并提出了低资源要求。并应用于有效的静态图像检测器，如YOLO，提供了可比的结果，以更计算密集型的检测器。
2020-09-23 cs.CV cs.LG
CHARM3R: Towards Unseen Camera Height Robust Monocular 3D Detector
Michigan State University（密歇根州立大学）；Bosch Research North America（博世北美研究部）；Bosch Center for AI（博世人工智能中心）
本文针对单目3D检测在未见相机高度下性能下降的问题，提出CHARM3R，通过融合回归式与基于地面的深度估计，在CARLA数据集上将泛化性能提升超过45%，达到最先进水平。
2025-08-15 cs.CV cs.LG
Adversarial Robustness of AI-Generated Image Detectors in the Real World
CISPA Helmholtz Center for Information Security（CISPA海德堡信息安全中心）；Ruhr University Bochum（博尔塔伦大学）
研究现实条件下AI生成图像检测器对对抗样本的脆弱性，通过四种检测方法和五种攻击算法证明攻击者无需内部知识即可显著降低分类性能，并发现攻击在图像上传至社交媒体等降质后仍有效。
2026-06-26 cs.CV cs.LG
Robust CLIP-Based Detector for Exposing Diffusion Model-Generated Images
Purdue University（普渡大学）；Sapienza University of Rome（罗马第一大学）；University at Albany, State University of New York（纽约州立大学奥尔巴尼分校）
针对扩散模型生成图像难以鉴别的问题，提出融合CLIP图文特征与MLP的鲁棒检测框架，通过新型损失和损失景观展平提升不平衡数据表现与泛化性。
2024-09-08 cs.CV cs.LG eess.IV
