新的攻击方法揭示了LiDAR 3D目标检测器的结构性漏洞

研究人员开发了一种名为面向可解释性的视锥攻击（EFA）的新方法，以揭示基于LiDAR的3D目标检测器的漏洞。通过分析这些检测器如何利用空间证据，显著性LiDAR（SALL）方法创建了突出影响区域的显著图。EFA然后针对这些特定区域，与现有方法相比，用更少的扰动显著降低了检测召回率。这项研究表明，当前的3D检测器严重依赖于有限的空间区域，揭示了LiDAR感知系统的结构性弱点。 AI

影响 揭示了自动驾驶感知系统的关键漏洞，可能影响安全性和鲁棒性测试。

排序理由 学术论文，详细介绍了基于LiDAR的3D目标检测器的新攻击方法。 [lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

• Explainability-Aware Frustum Attack
• Integrated Gradient
• Kitti
• LiDAR
• Nuscenes
• PointPillars
• Saliency-LiDAR
• second

• 论文
• 安全

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →