0 摘要 我们的交通领域最近见证了一场基于神经网络的轨迹预测器的军备竞赛。虽然这些预测器是许多应用的核心，如自主导航或行人流模拟，但它们的对抗鲁棒性尚未得到仔细研究。在本文中，我们介绍了一个社会参与的攻击，以评估社会的理解预测模型的碰撞避免。攻击是一种小而精心设计的干扰，以使预测器失败。从技术上讲，我们将碰撞定义为输出的失败模式，并提出硬和软注意机制来指导我们的攻击。由于我们的攻击，我们揭示了当

0 摘要白盒攻击。是对On-Adversarial-Robustness-of-Trajectory-Prediction-for-Autonomous-Vehicles的追加版本。附件有很多补充的实验等内容。 轨迹预测是自动驾驶汽车(AVs)制定正确、安全驾驶行为的关键。虽然以往的许多研究都是为了提高预测精度，但很少研究其方法的对抗鲁棒性。为了弥补这一差距，我们提出研究数据驱动的轨迹预测系统的对

0 摘要 深度神经网络（DNN）很容易受到由不可感知的扰动制作的对抗性示例的影响。已经提出了一系列防御技术来提高DNN对对抗性示例的鲁棒性，其中对抗性训练已被证明是最有效的。对抗性训练通常被表述为一个最小-最大优化问题，内部最大化用于生成对抗性示例。然而，存在一个简单但容易被忽视的事实，即对抗性示例只定义在正确分类的（自然）示例上，但不可避免地，一些（自然）示例在训练过程中会被错误分类。在本文中

cvpr2022 0 摘要 车辆轨迹预测是目前自动驾驶汽车的一个基本支柱。工业界和研究界都通过提供公共基准来认识这样的需要。虽然最先进的方法令人印象深刻，但是它们没有off-road predicton（脱离道路预测），它们在城市（基准之外的场景）的推广仍然有待探索。在这项工作中，我们表明这些方法不能推广到新的场景。我们提出了一种方法，自动生成逼真的场景，产生最先进的能导致go off-r

0 摘要 轨迹预测是自动驾驶汽车安全规划和导航的重要组成部分。然而，很少有研究对轨迹预测的对抗鲁棒性进行分析，也没有研究最坏情况预测是否仍然能导致安全规划。为了弥补这一差距，我们提出了一种新的对抗攻击方法，通过干扰正常的车辆轨迹以最大限度地提高预测误差，研究了轨迹预测模型的对抗鲁棒性。我们在三个模型和三个数据集上的实验表明，对对抗样本的预测增加了超过150%的预测误差。我们的案例研究表明，如果敌

哇咔咔，明天就要2024年了嘞。 0 摘要 基于机器学习的交通预测模型利用复杂的时空自关联来提供全市交通状态的准确预测。（在交通预测中，通过分析历史交通数据中的自相关性模式，模型可以学习到交通状态之间的关联规律，并将这些规律应用于预测未来的交通状态）在本工作中，我们研究了时空流量预测模型的脆弱性，并提出了一个实用的对抗性时空攻击框架。 具体来说，不是攻击所有的地理分布数据源，一个迭代梯度引导

原文是一篇博客形式的文章，该文章最大的特点：全篇没有公式，完全用可交互的图来对GNN进行说明。 0 图是什么 作者给出图的定义，一般是由顶点、边和全局组成。其中点就是点，边就是点之间的连线，全局又可以理解为全局点，这个全局点和所有点相连，也和所有边相连。这个全局点就是个虚拟点，设置它就是为了更好的掌握全局信息，进行全局的把握，进行信息的传递。 1 常见数据如何表示为图 图片和文字是日常

0 摘要 预测周围物体的轨迹是自动驾驶汽车和许多其它自动驾驶系统的关键任务。最近的研究表明，对轨迹预测的对抗性攻击，即在历史轨迹上引入小的精心设计的扰动，可能会严重误导对未来轨迹的预测，并且导致不安全的规划。 在本文，对于轨迹预测提出了一个新的对抗训练的方法。 与经典的图像任务的对抗训练相比，我们的工作面临更多随机输入的挑战，这些输入有更多的上下文信息，但也缺乏类标签。我们提出了一种基于半监

这篇是这篇综述的最后一个部分，讲对抗样本在目标检测和语义分割中的应用。 1 目标检测 尽管目标检测发展迅速，但最近的研究表明，目标检测在安全性上存在不足，容易被对抗性样本欺骗。 1234论文 ：25. Kong Z, Xue J, Wang Y, et al. A Survey on Adversarial Attack inthe Age of Artificial Intelligenc

0 目标检测算法 在图像分类任务中，我们假设图像中只有一个主要物体对象，我们只关注如何识别其类别。 然而，很多时候图像里有多个我们感兴趣的目标，我们不仅想知道它们的类别，还想得到它们在图像中的具体位置。 在计算机视觉里，我们将这类任务称为目标检测（object detection）或目标识别（object recognition）。 1 基本概念 1.1 锚框和边缘框 目标检测算法通