伪装目标检测基准模型

伪装目标检测（Adversarial Object Detection, AOD）是一种计算机视觉任务，其目的是识别并定位图像中的隐藏或伪装的物体。这些物体通常通过添加微小的扰动或者与背景高度融合的方式，使得它们难以被传统的对象检测模型准确识别。为了评估这类算法的性能，研究者会建立基准模型，常见的有：

1. **MART** (Misleading Adversarial Regions in Target)：这是最早针对伪装目标检测提出的一个模型，它专注于生成误导性的区域来混淆检测系统。

2. **Crafting Adversarial Perturbations for Object Detection**：该工作提出了利用对抗性训练策略生成对抗样本以提升伪装目标检测能力。

3. **AOD500**：这是一个公开的数据集，包含了一系列精心设计的伪装样本，用于比较不同伪装目标检测模型的效果。

4. **AdvBox**：这是一种基于边界框级别的攻击策略，可以生成既保持伪装效果又能欺骗检测系统的伪装样本。

基准模型通常包括几个关键组件：数据集、生成对抗样本的策略、检测器架构（如Faster R-CNN、YOLO等），以及评价指标（比如精度、召回率、F1分数）。研究人员会使用这些基准来测试他们的新算法，并对比现有的最优解决方案。