EVD4UAV : Un benchmark sensible à l'altitude pour éviter la détection des véhicules par UAV

La détection de véhicules dans les images capturées par des drones (UAV) présente de nombreuses applications dans la photographie aérienne et la télédétection. De nombreux jeux de données publics ont été proposés pour la détection et le suivi de véhicules dans les images UAV. Des études récentes montrent qu’il est possible de tromper les détecteurs d’objets basés sur les réseaux neuronaux profonds bien entraînés en ajoutant des patches adverses aux objets, ce qui soulève des préoccupations en matière de sécurité pour les tâches ultérieures. Toutefois, les jeux de données UAV publics actuels ignorent souvent la diversité des altitudes, les attributs des véhicules, ainsi que les annotations fines au niveau des instances, notamment dans des vues latérales où le toit des véhicules est flou. En conséquence, aucun de ces jeux de données n’est adapté à l’étude du problème d’attaque par patch adverses sur la détection de véhicules. Dans cet article, nous proposons un nouveau jeu de données, nommé EVD4UAV, conçu comme une référence sensible à l’altitude afin d’évaluer la détection de véhicules par drones. Ce jeu de données comprend 6 284 images et 90 886 véhicules annotés avec une précision fine. Il couvre une variété d’altitudes (50 m, 70 m, 90 m), des attributs variés des véhicules (couleur, type), et des annotations précises (boîtes englobantes horizontales et orientées, masques au niveau des instances) à partir d’une vue du dessus, avec une visibilité claire du toit des véhicules. Nous avons implémenté une attaque à blanc (white-box) et deux attaques à noir (black-box) basées sur des patches pour cibler trois détecteurs d’objets classiques basés sur les réseaux neuronaux profonds sur EVD4UAV. Les résultats expérimentaux montrent que ces méthodes d’attaque représentatives ne parviennent pas à atteindre une performance robuste insensible à l’altitude.