摘要

无人机（UAV）拍摄图像中的车辆检测在航拍摄影与遥感领域具有广泛应用。目前已有多个公开基准数据集被提出，用于支持无人机图像中的车辆检测与跟踪研究。然而，近期研究表明，在目标物体上添加对抗性补丁（adversarial patch）可欺骗训练良好的基于深度神经网络的物体检测器，从而对下游任务构成安全威胁。现有公开的无人机数据集在很大程度上忽略了不同飞行高度、车辆属性（如颜色、类型）以及以侧视图为主的模糊车顶细节，且缺乏细粒度的实例级标注，因此难以有效支持基于对抗性补丁的车辆检测攻击研究。为此，本文提出一个全新的数据集——EVD4UAV，作为面向高度敏感场景的无人机车辆检测规避基准数据集。该数据集包含6,284张图像和90,886个细粒度标注的车辆实例。EVD4UAV具有多样化的飞行高度（50米、70米、90米）、丰富的车辆属性（颜色、类型），并采用俯视视角进行标注，清晰呈现车辆顶部结构，同时提供细粒度标注信息，包括水平与旋转边界框以及实例级掩码（instance-level mask）。本文在EVD4UAV数据集上实现了1种白盒攻击与2种黑盒攻击方法，用于攻击三种经典的基于深度神经网络的物体检测器。实验结果表明，这些具有代表性的攻击方法均无法实现对不同飞行高度具备鲁棒性的、高度无关的攻击性能，凸显了在真实复杂场景下设计高效且泛化能力强的对抗性攻击策略仍面临重大挑战。