计算机应用研究

作者：成日冉,王旭鹏,雷航,肖典,杨清,

单位：1.电子科技大学a.信息与软件工程学院;b.智能计算研究院,成都611731；2.国铁川藏科创中心(成都)有限公司,成都611432；3.中国铁道科学研究院集团有限公司,北京100081；

关键词：三维目标跟踪,可解释性方法,防御方法,对抗训练,

基金：国家自然科学基金资助项目(62072076)；四川省重大科技专项资助项目(2024ZDZX0009)；2024人工智能四川省重点实验室开放基金资助项目(2024RYY04)；；

基于深度神经网络的三维模型在干净数据集上取得了显著的发展，然而这些模型面对对抗样本的脆弱性导致了它们在实际应用领域存在着安全隐患。针对这一问题，提出了一种新的面向三维目标跟踪的对抗训练方法。首先采用可解释性方法，研究了模型输入中每一个点对模型预测的贡献，并计算模型在受到攻击后决策的变化，挖掘点对攻击的敏感性与其重要性之间的相关性。然后，在模型训练过程中添加干净样本对应的对抗样本来生成鲁棒的目标模型。其中，通过鼓励目标模型实现干净样本与对抗样本中对应点的贡献对齐，从而保证模型面对对抗样本时的决策一致性。此外，一个策略模型被引入用于动态调整生成对抗样本的所需参数以确保对抗样本的有效性，从而更好地提升模型的鲁棒性。在多个数据集上的大量实验表明，该方法相较于其他防御方法让现有模型在面对先进的对抗攻击方法取得了更好的表现。这表明所提出的基于可解释性的对抗训练方法为提升三维目标跟踪模型的鲁棒性提供了一种可行且高效的解决方法。

来源：2026年第4期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2026年第4期