原文链接：Feature-aware transferable adversarial attacks against image classification - ScienceDirectauthor={Shuyan Cheng and Peng Li and Keji Han and He Xu}摘要与白盒对抗攻击相比，黑盒对抗攻击具有更强的实用性，因此受到了广泛的关注。然而，现有的大多数黑

首次针对可变形Transformer架构开发攻击方法：这些方法能够突破此前基于注意力的攻击所无法攻克的防御机制，专门针对这些模型的稀疏注意力结构。提出四种基于指针的攻击策略：每种策略针对不同的攻击目标，包括全新的协作补丁攻击，通过重定向注意力至对抗性补丁，最大化对模型损失的影响。在不同数据集上的基准测试：我们在MS COCO [15] 和多摄像头目标检测数据集 Wildtrack [7] 上测试了

我们反向传播Ladv，以获得梯度Ladv，然后对每个通道的结果进行平方和求和，以获得显著性图，显著图中每个像素的值反映了其对识别的重要性，这意味着可识别区域可以被视为最容易受到攻击的区域。在本文中，我们提出了一个新的统一的自适应对抗补丁攻击框架，有针对性的攻击人脸识别模型，AAP。不同于现有的补丁攻击作品，只集中在补丁生成的一个方面，我们综合考虑多个因素，包括补丁的位置，补丁的形状，补丁的数量。我

深度神经网络用于图像分类任务的对抗性示例攻击方法分为四类：基于邻域搜索的攻击、基于梯度的攻击、基于优化的攻击和基于图像变换的攻击。现有的大多数方法都存在以下问题：(1)模型增强方法受到训练代价高的限制（2）模型增强方法高度依赖于模型和攻击方法（3）大多数基于图像预处理的方法削弱了对抗性扰动，降低了模型对清晰图像的分类精度（4）滤波方法在防御对抗性攻击时的精度下降。实验结果表明，该方法对各种不经意攻

author={Wenkui Yang and Jie Cao and Junxian Duan and Ran He}原文链接：https://arxiv.org/abs/2509.13922摘要像稳定扩散这样的扩散模型由于其强大的定制能力而在视觉合成任务中变得突出，但同时也带来了重大的安全风险，包括深度假冒和版权侵权。作为回应，出现了一类被称为保护性扰动的方法，它通过注入难以察觉的对抗性噪声来

2025)，C2 Former(袁和魏，2024)，SLBAF-Net(程等人2023)、CoDAF(宗珍等人2025)、MBNet(周、陈、曹2020)、慈安(张等2019a)，以及TSFADet(袁，Wang，魏，2022)，我们的方法取得了优越的性能。广泛的实验表明，IGIANet在各种基准测试上的表现优于最先进的模型，在DroneVehicle上获得了80.9%的MAP，在VEDAI上获得

原文链接：https://doi.org/10.1109/tgrs.2024.3376819author={Maoxun Yuan and Xingxing Wei}摘要可见光(RGB)和红外(IR)图像上的目标检测作为一种新兴的解决方案，为全天候应用提供了可靠的检测手段，近年来受到了广泛的关注。在红外图像的帮助下，利用RGB-IR组合信息，目标检测器在实际应用中更加可靠和健壮。然而，现有的方法仍

原文链接：https://doi.org/10.1016/j.inffus.2024.102246author={Maoxun Yuan and Xiaorong Shi and Nan Wang and Yinyan Wang and Xingxing Wei}摘要多光谱数据在目标检测中的融合，特别是可见光和红外图像，是近年来备受关注的课题。来自可见光(RGB)和红外(IR)图像的互补信息可以改

原文链接：https://doi.org/10.1609/aaai.v40i8.37603author={Yuxuan Li and Xiang Li and Yunheng Li and Yicheng Zhang and Yimian Dai and Qibin Hou and Ming-Ming Cheng and Jian Yang}摘要随着遥感技术的快速发展，高分辨率多模式图像的获取越来

原文链接：https://doi.org/10.1007/978-3-031-73383-3_27author={Junjie Guo and Chenqiang Gao and Fangcen liu and Deyu Meng and Xinbo Gao}摘要红外可见光目标检测的目标是通过融合红外和可见光图像的互补信息来实现稳健甚至全天候的目标检测。然而，高度动态变化的互补特征和普遍存在的通道