异构协同感知的天然防御是错觉，HetPoison单次前向传播即可抹除物体，HetShield信任层挽回8%精度。
Investigating Adversarial Robustness of Heterogeneous Cooperative Perception
📖 AI 总结
本文研究异构协同感知（CP）的对抗鲁棒性。异构CP允许配备不同传感器的联网车辆通过紧凑特征图共享空间感知，接收方借助学习到的翻译模块进行融合与推理。此前针对同构CP的攻击表明，单个恶意代理可发送精心构造的特征，从邻居的融合场景中抹除真实目标。学界普遍假设异构性天然具备防御能力，因为攻击者不了解受害方的检测器，且翻译模块会扰乱对抗梯度。本文证明这一保护在很大程度上是错觉：在统一扰动预算、目标和前向路径的匹配目标测试框架下，经过恰当调优的迭代攻击可消除甚至逆转表面上的鲁棒性差距。但此类基于优化的攻击需要真实标签和迭代反向传播，并非实时可行的实际威胁。为此作者提出HetPoison，一种学习型生成器，可在单次无标签前向传播中生成移除扰动，无需访问受害方检测器即可跨主流异构设计迁移，效果媲美甚至超越昂贵的优化攻击。作者进而提出轻量级信任层HetShield，通过验证特征间的时空一致性，恢复83%至95%被攻击削弱的精度，优于现有方法。
🔑 关键词速览
| Heterogeneous Cooperative Perception (CP) | 异构协同感知，指配备不同传感器配置的联网车辆通过共享特征图来协同构建环境感知的技术。 |
| Adversarial Robustness | 对抗鲁棒性，指系统在遭受恶意构造的输入扰动时仍能保持正常性能的能力。 |
| HetPoison | 本文提出的一种学习型生成器，能在单次前向传播中生成无需标签的物体移除扰动，并可跨异构设计迁移。 |
| HetShield | 本文提出的一种轻量级信任层，通过验证特征间的时空一致性来防御攻击，恢复被攻击降低的感知精度。 |
| Translation Module | 转换模块，协同感知中用于将不同来源的特征图对齐到统一表示空间的学习模块，以便后续融合与推理。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅