Resumen

Los tranvías han desplegado cada vez más detectores de objetos para percibir las condiciones de funcionamiento, y las redes de aprendizaje profundo han sido ampliamente adoptadas por esos detectores. El crecimiento de las redes neuronales ha incurrido en ataques severos como los ataques de ejemplos adversarios, imponiendo amenazas a la seguridad del tranvía. Solo si los ataques adversarios son estudiados a fondo, los investigadores pueden idear mejores métodos de defensa contra ellos. Sin embargo, la mayoría de los métodos existentes para generar ejemplos adversarios se han dedicado a la clasificación, y ninguno de ellos se dirige a los sistemas de percepción del entorno del tranvía. En este documento, proponemos un algoritmo mejorado de descenso de gradiente proyectado (PGD) y un algoritmo mejorado de Carlini y Wagner (C&W) para generar ejemplos adversarios contra detectores de objetos Faster R-CNN. Los experimentos verifican que ambos algoritmos pueden llevar a cabo con éxito ataques digitales de caja blanca no dirigidos y dirigidos

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Detectores de objetos; Redes de aprendizaje profundo; Ataques adversarios; Métodos de defensa; Redes neuronales; Faster R-CNN
• Keywords:Object detectors; Deep learning networks; Adversarial attacks; Defence methods; Neural networks; Faster R-CNN