付科涵，王布宏，王 振

(空軍工程大學(xué) 信息與導(dǎo)航學(xué)院，西安 710077)

0 引言

無人機(jī)作為遠(yuǎn)程可控的嵌入式系統(tǒng)，已經(jīng)成為工業(yè)應(yīng)用領(lǐng)域技術(shù)發(fā)展熱點(diǎn)和現(xiàn)代軍事戰(zhàn)爭的重要組成部分。其中，目標(biāo)檢測技術(shù)被廣泛應(yīng)用于環(huán)境監(jiān)測、基礎(chǔ)設(shè)施檢查、軍事偵察等各類任務(wù)中。依靠強(qiáng)大的特征提取能力，深度目標(biāo)檢測網(wǎng)絡(luò)（Deep Object Detection Network，DODN）憑借其對(duì)預(yù)定義語義對(duì)象分類與定位中的優(yōu)異性能，實(shí)現(xiàn)了無人機(jī)平臺(tái)對(duì)視覺圖像關(guān)鍵目標(biāo)的自主檢測與分類，GPS等傳統(tǒng)導(dǎo)航手段失靈情形下，依靠降落點(diǎn)檢測技術(shù)完成安全降落，對(duì)無人機(jī)應(yīng)用與自身安全具有深遠(yuǎn)意義。

隨著深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）技術(shù)在多個(gè)領(lǐng)域的普遍應(yīng)用，其潛在的安全問題也受到國內(nèi)外學(xué)者的一致關(guān)注。最具代表性的就是Szegedy團(tuán)隊(duì)通過對(duì)正常樣本添加微小擾動(dòng)，DNN就將以高置信度輸出錯(cuò)誤類別[1]。攻擊者精心設(shè)計(jì)的對(duì)抗擾動(dòng)將欺騙檢測器，造成分類與目標(biāo)定位錯(cuò)誤，將造成物理實(shí)體發(fā)生碰撞甚至墜毀。然而無人機(jī)視覺DODN作為近年的熱點(diǎn)問題，多數(shù)研究聚焦于目標(biāo)檢測模型的性能改良與實(shí)際場景的應(yīng)用，卻忽略了無人機(jī)DODN自身的安全性與魯棒性問題。本文針對(duì)無人機(jī)DODN的脆弱性，對(duì)潛在的對(duì)抗攻擊進(jìn)行研究，提出。

面向無人機(jī)DODN的目標(biāo)梯度攻擊方法，在數(shù)據(jù)集VisDrone上對(duì)攻擊方法的有效性進(jìn)行驗(yàn)證，本文提出的攻擊方法實(shí)現(xiàn)了對(duì)兩種結(jié)構(gòu)無人機(jī)DODN的多種目標(biāo)性攻擊，造成目標(biāo)檢測器性能顯著下降，實(shí)驗(yàn)結(jié)果證明與現(xiàn)有方法相比，在攻擊效率、攻擊成功率具有明顯優(yōu)勢。

1 相關(guān)工作

1.1 無人機(jī)深度目標(biāo)檢測網(wǎng)絡(luò)

CNN通過池化使卷積獲得的特征具有空間不變性，這使得CNN在大規(guī)模圖像分類問題上取得重大的成功，同時(shí)也推動(dòng)了DNN在目標(biāo)檢測領(lǐng)域的應(yīng)用。無人機(jī)DODN已經(jīng)被廣泛應(yīng)用于森林農(nóng)業(yè)監(jiān)測[7]，智慧交通[8]、工業(yè)巡檢[9]等多個(gè)領(lǐng)域。

DODN根據(jù)有無候選框生成階段可以分為兩類：基于區(qū)域建議的兩階段算法和基于回歸的單階段算法。Lin等人[2]基于RPN網(wǎng)絡(luò)提出的兩階段模型ECascade RCNN，使用改良的FPN主干網(wǎng)絡(luò)提取特征，通過RPN得到候選邊框，面對(duì)無人機(jī)圖像目標(biāo)檢測的多尺度問題有效提升了檢測精度。文獻(xiàn)[3]在兩階段模型Faster R-CNN基礎(chǔ)上融合FPN，提出的FFRCNN模型引入Focal Loss與空洞卷積，有效提升了檢測算法的檢測精確度。除了基于RPN的兩階段目標(biāo)檢測模型，更多的無人機(jī)目標(biāo)檢測模型對(duì)實(shí)時(shí)性優(yōu)異的單階段模型進(jìn)行改良。針對(duì)無人機(jī)計(jì)算能力與內(nèi)存的限制，文獻(xiàn)[4，5]通過對(duì)YOLOv3，YOLOv4卷積層通道縮放因子施加L1正則化，修剪信息較少的特征通道來獲得更適用于無人機(jī)的目標(biāo)檢測模型。在單階段模型YOLOv5基礎(chǔ)上使用Transformer檢測頭，集成卷積塊注意力模塊，相比原有SOTA方法具有更良好的檢測性能與即時(shí)解釋能力[6]。

目前，無人機(jī)DODN的研究多數(shù)針對(duì)無人機(jī)圖像小目標(biāo)、樣本不均衡等問題，在傳統(tǒng)視覺目標(biāo)檢測模型FRCNN，YOLO系列網(wǎng)絡(luò)基礎(chǔ)上設(shè)計(jì)高效的注意力機(jī)制，并對(duì)原有骨干網(wǎng)絡(luò)、檢測頭進(jìn)行優(yōu)化。

1.2 對(duì)抗樣本攻擊

DNN 的不可解釋性使得其面臨諸多安全威脅，Szegedy[10]等人在基于DNN的圖片識(shí)別模型的原始樣本中加入特定的輕微擾動(dòng)，使經(jīng)過訓(xùn)練的分類模型檢測精度大幅下降，這一成果令眾多研究者開始關(guān)注對(duì)抗樣本攻擊領(lǐng)域。文獻(xiàn)[11]提出了著名的V優(yōu)化框架，文中提出基于迭代投影梯度的PGD（projected gradient descent）算法，迭代過程沿凸可行域邊界的投影梯度下降得到對(duì)抗樣本，被認(rèn)為是最有效的一階攻擊方法。

在目標(biāo)檢測領(lǐng)域，DAG[12]與RAP[13]攻擊為建議區(qū)域分配錯(cuò)誤的對(duì)抗標(biāo)簽，覆蓋與重疊的建議區(qū)域使FRCNN執(zhí)行迭代梯度反向傳播錯(cuò)誤建議，從而產(chǎn)生錯(cuò)誤分類。UEA[14]攻擊設(shè)計(jì)多尺度的注意力特征損失，通過生成對(duì)抗網(wǎng)絡(luò)生成對(duì)抗樣本來破壞檢測器中網(wǎng)絡(luò)提取的特征。然而DAG等三種對(duì)抗樣本攻擊面向具有RPN網(wǎng)絡(luò)的兩階段目標(biāo)檢測模型，且只能實(shí)現(xiàn)隨機(jī)的無目標(biāo)攻擊。在目標(biāo)檢測模型的目標(biāo)性對(duì)抗攻擊研究中，文獻(xiàn)[15]提出一種用于混淆標(biāo)簽的POA（Pick-Object-Attack）攻擊，作者通過極小的擾動(dòng)更改圖像中特定目標(biāo)的預(yù)測標(biāo)簽，實(shí)現(xiàn)了對(duì)檢測器的定向欺騙，然而該攻擊方法仍局限于FRCNN這一兩階段檢測模型。稀疏對(duì)抗攻擊SSA在l0范數(shù)約束限制下聯(lián)合YOLOv4和FRCNN集成檢測器訓(xùn)練稀疏對(duì)抗擾動(dòng)，實(shí)現(xiàn)隱蔽目標(biāo)的攻擊效果[16]。

2 面向無人機(jī)深度目標(biāo)檢測網(wǎng)絡(luò)的目標(biāo)梯度攻擊方法

針對(duì)無人機(jī)實(shí)時(shí)DODN系統(tǒng)，本文提出一種基于目標(biāo)梯度的白盒對(duì)抗攻擊框架，圖1展示了面向無人機(jī)DODN的目標(biāo)梯度攻擊架構(gòu)，主要包括實(shí)時(shí)采集圖像、目標(biāo)檢測模型和對(duì)應(yīng)的目標(biāo)梯度攻擊模塊。目標(biāo)梯度攻擊方法利用檢測網(wǎng)絡(luò)于檢測結(jié)果進(jìn)行攻擊，通過控制模型損失函數(shù)與攻擊目標(biāo)生成目標(biāo)性對(duì)抗樣本。

圖1 面向無人機(jī)視覺目標(biāo)檢測的目標(biāo)梯度攻擊框架

2.1 目標(biāo)檢測模型

DODN被視作典型的多任務(wù)學(xué)習(xí)模型，多個(gè)學(xué)習(xí)組件分別對(duì)應(yīng)目標(biāo)置信度、檢測框定位、目標(biāo)分類簽三種輸出。對(duì)輸入檢測模型的分辨率為(hxw)的圖像x，無人機(jī)目標(biāo)檢測器對(duì)真實(shí)物體尋找S個(gè)候選的邊界框檢測結(jié)果預(yù)測邊界框中心坐標(biāo)寬高；置信度參數(shù)是框選目標(biāo)為真實(shí)目標(biāo)的概率，表明候選邊界框定位的是真實(shí)物體還是背景；是圖像中目標(biāo)的類別概率向量，是將目標(biāo)物體分類為第k類的概率。

目標(biāo)梯度攻擊依賴于檢測結(jié)果與網(wǎng)絡(luò)結(jié)構(gòu)，目標(biāo)檢測模型的損失函數(shù)通常包括回歸損失函數(shù)Lbox、置信度損失Lconf與分類損失Lclass三部分構(gòu)成

以TPH-YOLOv5目標(biāo)檢測模型為例，回歸損失函數(shù)Lbox由GIoU損失函數(shù)給出

為有效處理無人機(jī)視覺圖像數(shù)據(jù)集樣本分類不均衡問題，置信度損失Lconf與分類損失函數(shù)Lcls基于交叉熵?fù)p失的LFL（Focal Loss），對(duì)應(yīng)置信度損失與分類損失為：

其中Ii=0，1，表示真實(shí)目標(biāo)是否被第i個(gè)檢測框定位；真實(shí)類別為c（即時(shí)，檢測器輸出類別概率分量

2.2 目標(biāo)梯度攻擊

目標(biāo)梯度攻擊模塊用于對(duì)原始圖像x添加擾動(dòng)生成對(duì)抗樣本x′，目標(biāo)梯度攻擊基于凸可行域內(nèi)投影梯度下降算法[25，26]，通過引入投影梯度的方法限制多步迭代的擾動(dòng)范圍，避免高維模型迭代過程中的梯度爆炸問題。

目標(biāo)梯度攻擊面向無人機(jī)DODN多任務(wù)學(xué)習(xí)的特點(diǎn)，與訓(xùn)練階段相反，目標(biāo)梯度攻擊通過控制目標(biāo)損失函數(shù)對(duì)中間樣本梯度，沿放大損失函數(shù)的方向，得到欺騙不同任務(wù)的目標(biāo)性對(duì)抗樣本。

2.2.1 無目標(biāo)攻擊

無目標(biāo)攻擊不針對(duì)任何特定目標(biāo)而是對(duì)YOLO V5檢測器進(jìn)行隨機(jī)性攻擊，無需設(shè)計(jì)控制損失函數(shù)，攻擊效果因輸入圖像和攻擊算法而異，對(duì)目標(biāo)檢測框攻擊后造成消失、誤分類等多種攻擊結(jié)果。無目標(biāo)攻擊如式(8)所示：

其中，L是YOLO V5組合損失函數(shù)，無目標(biāo)攻擊迭代過程將同時(shí)放大總損失函數(shù)；Pxr是Lp范數(shù)中以x為中心r為半徑的超球面上的投影函數(shù)，目的是限制擾動(dòng)過程中數(shù)據(jù)處于限制范圍內(nèi)；a是攻擊率，控制迭代步長；sign是符號(hào)函數(shù)，決定迭代過程中梯度的方向；為組合損失函數(shù)。根據(jù)凸集投影定理[16]可知目標(biāo)梯度投影具有唯一性，且產(chǎn)生的中間樣本xt′也始終在DODN凸可行域內(nèi)，保證了攻擊的有效性和目標(biāo)性。

2.2.2 目標(biāo)分類攻擊

分類攻擊旨在不改變深度目標(biāo)檢測網(wǎng)絡(luò)預(yù)測的真實(shí)物體的存在性與邊界框位置的同時(shí)造成DDON定向分類錯(cuò)誤，即檢測結(jié)果中在YOLO V5中，錯(cuò)誤標(biāo)簽攻擊為：

Lclass是類別損失；B*(x)為修改后的惡意檢測值，攻擊模塊可以使用預(yù)定設(shè)計(jì)的錯(cuò)誤標(biāo)簽修改真實(shí)檢測結(jié)果中對(duì)應(yīng)的類別標(biāo)簽，即在每一輪迭代中都將修改為其中p*i可以定向構(gòu)造為檢測器中預(yù)測類別文件中的一類。

2.2.3 目標(biāo)消失攻擊

目標(biāo)消失攻擊樣式對(duì)目標(biāo)檢測器產(chǎn)生致盲效果，被攻擊的DODN輸出檢測結(jié)果產(chǎn)生的對(duì)抗樣本所有錨點(diǎn)對(duì)應(yīng)的候選邊界框與真實(shí)物體邊界框的IOU均小于閾值，真實(shí)物體被檢測器視作背景。YOLO V5模型物體消失攻擊可以用式(9)表示：

目標(biāo)消失攻擊利用YOLO V5主導(dǎo)物體存在決策的置信度損失Lconf；取將原始樣本向空檢測集迭代得到對(duì)抗樣本。算法1給目標(biāo)梯度攻擊具體實(shí)現(xiàn)細(xì)節(jié)。

算法1 目標(biāo)梯度攻擊對(duì)抗樣本生成算法

輸入：攻擊目標(biāo)T，目標(biāo)檢測模型M及其權(quán)重W，原始樣本x，迭代輪數(shù)it，最大擾動(dòng)?，攻擊學(xué)習(xí)率a。

輸出：對(duì)抗樣本x_adv

3 實(shí)驗(yàn)與評(píng)估

3.1 無人機(jī)視覺數(shù)據(jù)集

本文無人機(jī)視覺目標(biāo)檢測模型使用VisDrone數(shù)據(jù)集，VisDrone[17]由中國天津大學(xué)機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘?qū)嶒?yàn)室的AISKYEYE團(tuán)隊(duì)收集的無人機(jī)視覺圖像數(shù)據(jù)集。數(shù)據(jù)集包括265228個(gè)視頻幀和10209個(gè)靜態(tài)圖像，通過對(duì)400余部采集視頻剪輯標(biāo)注得到。VisDrone通過多種無人機(jī)平臺(tái)在不同光照、地域的物理環(huán)境下采集，圖像具有多目標(biāo)、小目標(biāo)特點(diǎn)。

3.2 實(shí)驗(yàn)設(shè)置

3.2.1 實(shí)驗(yàn)環(huán)境設(shè)置

為有效對(duì)本文對(duì)抗攻擊算性能進(jìn)行分析，本文選取TPH-YOLOv5與ECascade-RCNN作為目標(biāo)無人機(jī)DODN。對(duì)無目標(biāo)攻擊的分析將選取DAG，RAP，UEA三種對(duì)抗攻擊算法對(duì)ECascade-RCNN進(jìn)行攻擊。對(duì)目標(biāo)性攻擊，使用POA與SSA算法分別兩種目標(biāo)檢測器進(jìn)行攻擊分析。

3.2.2 評(píng)價(jià)指標(biāo)

為了評(píng)估面向DDON目標(biāo)梯度攻擊算法的有效性，本文采用mAP、攻擊成功率、時(shí)間成本與結(jié)構(gòu)相似度指標(biāo)對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析。

1）mAP

在目標(biāo)檢測性能評(píng)估中，常見的評(píng)價(jià)指標(biāo)包括精確率（Precision）、召回率（Recall）、平均精度（Average Precision，AP）。AP本質(zhì)上是精確率-召回率曲線p與x軸正半軸和y軸正半軸共同圍成的面積：

通過分析所有類別AP平均值mAP的變化即可有效評(píng)估面向目標(biāo)檢測對(duì)抗樣本攻擊的整體性能。

2）攻擊成功率（Attack success rate）

mAP通過目標(biāo)檢測器檢測性能的變化反應(yīng)目標(biāo)梯度攻擊整體性能，但有目標(biāo)攻擊算法性能評(píng)估需要對(duì)攻擊目標(biāo)效果進(jìn)一步分析。

對(duì)目標(biāo)消失攻擊，攻擊有效性通過有無攻擊狀態(tài)下檢測目標(biāo)數(shù)來衡量，該比例越低表明目標(biāo)消失攻擊致盲效果越明顯。因此目標(biāo)消失攻擊成功率ASRobj可以用式(11)表示，其中Num和Numobj分別表示無攻擊狀態(tài)和攻擊狀態(tài)下檢測到的目標(biāo)總數(shù)如下所示：

目標(biāo)分類攻擊有效性通過檢測結(jié)果中標(biāo)簽變化反應(yīng)，通過計(jì)算各類別被替換為指定標(biāo)簽的數(shù)量與正常標(biāo)簽之比體現(xiàn)攻擊有效性。錯(cuò)誤標(biāo)簽成功率可以用式(12)表示，ASRcls為目標(biāo)分類攻擊成功率，Numcls表示目標(biāo)分類標(biāo)攻擊下被替換為指定標(biāo)簽的檢測目標(biāo)數(shù)如下所示：

3）攻擊耗時(shí)

對(duì)抗樣本的生成效率也是評(píng)價(jià)算法性能的一個(gè)重要指標(biāo)，攻擊過程的總時(shí)間一般包括攻擊時(shí)間和檢測時(shí)間兩部分。本文對(duì)攻擊算法的總攻擊耗時(shí)進(jìn)行對(duì)比分析。

3.3 實(shí)驗(yàn)分析

實(shí)驗(yàn)根據(jù)定性分析與定量分析兩個(gè)結(jié)果對(duì)對(duì)抗攻擊實(shí)驗(yàn)進(jìn)行分析。首先從定性分析角度來看，圖2展可視化的展示了TPH-YOLOv5在正常狀態(tài)、目標(biāo)梯度攻擊多種情形下檢測結(jié)果?？梢钥闯觯疚墓羲惴梢造`活實(shí)現(xiàn)無目標(biāo)和多種目標(biāo)攻擊效果。

圖2 對(duì)TPH-YOLOv5目標(biāo)梯度攻擊效果

為了進(jìn)一步分析目標(biāo)梯度攻擊有效性，本文對(duì)攻擊效果、時(shí)間復(fù)雜度、結(jié)構(gòu)相似度進(jìn)行定量分析。首先對(duì)攻擊效果分析，本文將選取數(shù)據(jù)集測試圖像的全體作為原始樣本，進(jìn)行攻擊并由檢測記錄得到對(duì)應(yīng)的mAP。為保證對(duì)比實(shí)驗(yàn)的兼容性與公平性，實(shí)驗(yàn)選取兩種架構(gòu)的無人機(jī)目標(biāo)檢測模型TPH-YOLOv5與ECascade-RCNN作為攻擊對(duì)象，選取本文攻擊算法與經(jīng)典對(duì)抗攻擊算法DAG，RAP和UEA，以及目標(biāo)性攻擊方法的SSA進(jìn)行對(duì)比。

表1 不同對(duì)抗樣本攻擊算法攻擊后目標(biāo)檢測模型mAP變化

在單階段目標(biāo)檢測模型中，本文攻擊算法在實(shí)現(xiàn)多種目標(biāo)性攻擊的前提下，均造成目標(biāo)檢測器性能明顯下降，且性能優(yōu)于SSA算法。在兩階段目標(biāo)檢測器中，與DAG、SSA等對(duì)抗算法對(duì)比，無目標(biāo)于目標(biāo)消失攻擊在攻擊性能上具有一定優(yōu)勢。由于POA算法被設(shè)計(jì)于針對(duì)單一檢測框而非全體，因此mAP的下降不能完全反應(yīng)攻擊性能，需要ASR指標(biāo)進(jìn)一步分析評(píng)估。

進(jìn)一步，對(duì)兩類目標(biāo)性攻擊進(jìn)行分析。圖3展示了在置信度 值為0.5時(shí)，各類攻擊狀態(tài)下檢測到的目標(biāo)總數(shù)，目標(biāo)消失攻擊下檢測目標(biāo)總數(shù)以數(shù)量級(jí)下降，而兩種目標(biāo)分類攻擊檢測總數(shù)與無攻擊狀態(tài)相近。圖4展示對(duì)不同置信度 值下的檢測目標(biāo)總數(shù)，目標(biāo)消失攻擊下檢測目標(biāo)數(shù)相比無攻擊狀態(tài)大幅減少。圖5對(duì)目標(biāo)分類攻擊后測試集十種類別目標(biāo)標(biāo)簽替換成功率進(jìn)行統(tǒng)計(jì)

圖3 置信度閾值為0.5時(shí)，不同攻擊樣式下檢測目標(biāo)總數(shù)

圖4 不同置信度閾值無攻擊與目標(biāo)消失攻擊下檢測目標(biāo)數(shù)

圖5 目標(biāo)分類攻擊對(duì)不同類別攻擊成功率

表2對(duì)各目標(biāo)性攻擊ASR進(jìn)行對(duì)比，為保證對(duì)比結(jié)果的公平性，選擇兩階段目標(biāo)檢測ECascade-RCNN作為攻擊目標(biāo)。對(duì)兩類C?=0攻擊類型，檢測器將無法檢測到目標(biāo)，本文攻擊方法相比SSA具有更高的攻擊成功率。對(duì)誤分類的P?≠P攻擊，目標(biāo)分類攻擊在選擇低置信度攻擊MinP時(shí)，成功率高于高置信度攻擊MaxP和POA攻擊?？傮w而言，本文所提出的目標(biāo)性攻擊方法在攻擊成功率上具有一定優(yōu)勢，且具有更優(yōu)異的模型可用性與更多樣的攻擊樣式。

表2 不同目標(biāo)性對(duì)抗樣本攻擊算法的攻擊成功率

實(shí)驗(yàn)進(jìn)一步對(duì)對(duì)抗樣本算法效率進(jìn)行分析。在測試集中隨機(jī)選取200張圖像進(jìn)行攻擊并記錄不同算法所需時(shí)間。重復(fù)該過程100次，記錄100次攻擊平均耗時(shí)作為算法效率對(duì)比依據(jù)。表3展示了不同攻擊下的平均耗時(shí)。

由表3可知，本文攻擊算法平均耗時(shí)要低于DAG、SSA等對(duì)抗攻擊算法。但由于UEA基于生成對(duì)抗網(wǎng)絡(luò)，在訓(xùn)練階段已經(jīng)建立輸入與對(duì)抗樣本映射關(guān)系，攻擊平均耗時(shí)較低，然而本文方法利用檢測結(jié)果與檢測網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行攻擊，在攻擊成功率上要遠(yuǎn)高于該方法。

表3 不同樣式目標(biāo)性對(duì)抗樣本攻擊的平均耗時(shí)

綜上所述，本文所提出的對(duì)抗攻擊算法能夠以較低的耗時(shí)對(duì)目標(biāo)檢測器取得顯著攻擊效果。相比于傳統(tǒng)對(duì)抗攻擊算法，本方法兼具攻擊效率、攻擊成功率，且能對(duì)多種檢測模型實(shí)現(xiàn)無目標(biāo)攻擊和兩類目標(biāo)性攻擊，可以認(rèn)為本文對(duì)抗樣本攻擊方法對(duì)無人機(jī)DODN的反制具有一定的應(yīng)用前景。

4 結(jié)語

本文提出了一種面向無人機(jī)DODN的視覺圖像對(duì)抗樣本攻擊方法，重點(diǎn)關(guān)注于解決現(xiàn)有目標(biāo)檢測對(duì)抗攻擊算法的模型可用性差，攻擊隨機(jī)性強(qiáng)等問題。提出的目標(biāo)梯度攻擊方法基于TPH-YOLOv5與ECascade-RCNN的網(wǎng)絡(luò)結(jié)構(gòu)與檢測結(jié)果生成對(duì)抗樣本。根據(jù)攻擊者不同攻擊的意圖，僅需對(duì)攻擊模塊中目標(biāo)梯度進(jìn)行調(diào)整即可實(shí)現(xiàn)有目標(biāo)與無目標(biāo)攻擊。實(shí)驗(yàn)結(jié)果表明，本文目標(biāo)梯度對(duì)抗攻擊方法在攻擊成功率以及攻擊效率上具有性能優(yōu)勢；此外相比現(xiàn)有對(duì)抗攻擊算法，本文的攻擊方法可針對(duì)多種架構(gòu)的DODN，且可以實(shí)現(xiàn)多種目標(biāo)性攻擊。在未來的研究中，在本文研究結(jié)果的基礎(chǔ)上，將關(guān)注于面向無人機(jī)目標(biāo)檢測情景下對(duì)抗樣本的視覺不可見性與物理可實(shí)現(xiàn)性，進(jìn)一步提升對(duì)抗樣本的現(xiàn)實(shí)可用性。