EVD4UAV: Ein altitudensensitives Benchmark zur Umgehung der Fahrzeugdetektion bei UAV

Die Erkennung von Fahrzeugen in von unbemannten Luftfahrzeugen (UAV) aufgenommenen Bildern hat vielfältige Anwendungen in der Luftbildfotografie und Fernerkundung. Es wurden zahlreiche öffentliche Benchmark-Datensätze für die Fahrzeugerkennung und -verfolgung in UAV-Bildern vorgeschlagen. Neuere Studien zeigen, dass das Hinzufügen eines adversarialen Patches auf Objekte tiefen neuronalen Netzwerken basierende Objekterkennungssysteme täuschen kann, was Sicherheitsbedenken für nachgeschaltete Aufgaben aufwirft. Allerdings ignorieren die derzeit verfügbaren öffentlichen UAV-Datensätze häufig eine Vielzahl von Flughöhen, Fahrzeugmerkmale sowie feinabgestimmte, instanzbasierte Annotationen, insbesondere bei seitlicher Ansicht mit verschwommenen Fahrzeugdächern. Daher existiert kein geeigneter Datensatz, um das Problem adversarialer Patch-basierter Angriffe auf die Fahrzeugerkennung in UAV-Bildern systematisch zu untersuchen. In diesem Artikel stellen wir einen neuen Datensatz namens EVD4UAV vor, der als höhenempfindlicher Benchmark zur Umgehung der Fahrzeugerkennung in UAVs dient und aus 6.284 Bildern mit insgesamt 90.886 fein abgestimmten Fahrzeugannotationen besteht. Der EVD4UAV-Datensatz umfasst eine Vielzahl von Flughöhen (50 m, 70 m, 90 m), Fahrzeugmerkmale (Farbe, Typ) sowie feinabgestimmte Annotationen (horizontale und rotierte Bounding Boxes, instanzbasierte Masken) aus Top-Down-Ansicht mit klar sichtbaren Fahrzeugdächern. Zur Bewertung wurden eine White-Box- sowie zwei Black-Box-Patch-basierte Angriffsmethoden implementiert, um drei klassische, auf tiefen neuronalen Netzen basierende Objekterkennungssysteme auf dem EVD4UAV-Datensatz anzugreifen. Die experimentellen Ergebnisse zeigen, dass diese repräsentativen Angriffsmethoden keine robuste, höhenunabhängige Angriffsleistung erzielen können.