DCI数据集

DCI数据集是由北京航空航天大学创建，用于评估物理世界中车辆检测模型的对抗性鲁棒性。该数据集包含7个连续场景和1个离散场景，涵盖超过40个角度、20个距离和20,000个位置，采用多视角和多天气条件进行数据采集。创建过程中，利用CARLA模拟器结合神经渲染技术生成高保真场景。DCI数据集主要应用于自动驾驶领域，旨在解决检测模型在面对物理世界对抗攻击时的鲁棒性问题。

The DCI Dataset was developed by Beihang University to evaluate the adversarial robustness of vehicle detection models in the physical world. This dataset contains 7 continuous scenarios and 1 discrete scenario, covering over 40 angles, 20 distances, and 20,000 positions, with data collected under multi-view and diverse weather conditions. During the creation process, the CARLA simulator combined with neural rendering techniques was employed to generate high-fidelity scenarios. The DCI Dataset is primarily applied in the field of autonomous driving, aiming to address the robustness issues of detection models when facing adversarial attacks in the physical world.

搜集汇总

数据集介绍

构建方式

在物理世界中，对抗攻击对车辆检测模型的鲁棒性构成严峻挑战，而基于虚拟仿真环境的评估可有效规避真实实验耗时耗力、难以复现等问题。为此，DCI数据集依托CARLA仿真器，构建了一套实例级场景生成流水线。该流水线融合了CARLA渲染器的高保真度与神经渲染器的可微性，通过传递环境参数与位置坐标，缩小两类渲染器之间的合成图像差异。具体而言，先由CARLA生成背景图像并提取位置与环境参数，继而传入神经渲染器加载三维模型生成车辆图像，最终利用掩膜提取背景与车辆，融合为实例级场景。数据集划分为离散与连续两部分：连续部分涵盖7种典型场景，采用多视角连续采样；离散部分则通过遍历不同地图、距离、俯仰角与方位角等参数，实现全面覆盖。

特点

DCI数据集的核心特点在于其离散与连续相结合的双重设计，旨在全方位评估车辆检测模型在不同场景下的对抗鲁棒性。连续部分聚焦于7种真实生活场景，融合驾驶员、无人机与监控等多视角连续采样，并引入ClearNoon、ClearNight、WetCloudySunset三种天气条件，以丰富背景多样性；该部分涵盖7个角度、多种距离及超过2000个位置。离散部分则通过选取不同地图、精细调整光照角度与强度、环境雾霾与粒子密度等参数，拓展覆盖广度，涉及40个角度、15种距离及超过20000个位置。数据集支持对YOLO v3、YOLO v6、Faster R-CNN等检测模型及FCA、ASA、DAS等对抗攻击算法进行标准化评估，实验结果揭示了不同模型与攻击算法在不同场景下的显著性能差异。

使用方法

DCI数据集为车辆检测模型的物理世界对抗鲁棒性评估提供了统一的标准化基准。使用时，研究者可直接加载数据集中的实例级场景图像，将其作为测试集输入至目标检测模型，计算平均精度（AP）以衡量模型在清洁样本与对抗样本下的检测性能。数据集支持对多种对抗攻击算法（如FCA、ASA、DAS）生成的纹理进行横向比较，亦可用于分析不同场景（如停车场、十字路口）、天气条件及视角对模型鲁棒性的影响。通过遍历离散部分的40个角度与20000余位置，或连续部分的7种典型场景，研究者可系统性地评估模型在多样化环境中的稳定性。此外，数据集与CARLA仿真器及神经渲染器紧密集成，便于用户扩展新的场景或攻击算法，推动对抗鲁棒性研究的深入发展。

背景与挑战

背景概述

在自动驾驶与智能交通系统的快速发展中，车辆检测模型的安全性与鲁棒性成为关键议题。物理世界中的对抗攻击能够显著削弱检测模型的性能，然而，传统的物理实验往往耗时耗力、难以复现且成本高昂。为应对这一困境，虚拟仿真环境逐渐成为评估模型鲁棒性的重要工具。北京航空航天大学计算机科学与工程学院的张天远等人于2023年提出了DCI（Discrete and Continuous Instant-level）数据集，旨在构建一个基于CARLA模拟器的统一基准，用于评估车辆检测模型在物理世界中的对抗鲁棒性。该数据集包含7个连续场景与1个离散场景，覆盖超过40个角度、20个距离及20000个位置，为系统研究对抗攻击对车辆检测的影响提供了全面而精细的测试平台，推动了该领域从定性分析向定量评估的跨越。

当前挑战

DCI数据集所解决的领域问题在于，现有物理世界对抗攻击研究缺乏统一的评估基准，导致不同攻击算法与检测模型之间的性能难以横向比较。为此，DCI数据集面临的挑战包括：其一，如何构建高覆盖度的场景体系，以真实反映多样化的驾驶环境与视角变化，包括不同的天气条件、光照强度及观察角度；其二，如何在虚拟仿真环境下平衡渲染真实性与梯度可追溯性，以支持对抗样本的生成与评估；其三，构建过程中需解决数据生成管道的跨渲染器参数传递问题，缩小CARLA与神经渲染器之间的图像差异，确保场景的即时生成与高保真度。此外，数据集还需应对不同场景下检测精度的显著差异，如静止场景与移动场景间的AP值悬殊，这为模型鲁棒性的全面评估带来了额外复杂性。

常用场景

经典使用场景

在自动驾驶与智能感知领域，车辆检测模型的鲁棒性评估是保障行车安全的核心环节。DCI数据集基于CARLA仿真环境构建，提供了离散与连续两种场景类型，覆盖7种连续场景和1种离散场景，包含超过40个视角、20种距离及20000个不同位置。该数据集最经典的使用场景是作为物理世界对抗攻击鲁棒性的统一基准，用于系统性地评估不同车辆检测模型（如YOLO v3、YOLO v6、Faster R-CNN）在多样化环境下的性能表现，尤其适用于模拟真实驾驶中复杂多变的条件。

实际应用

在实际应用中，DCI数据集为自动驾驶系统的安全测试提供了高效、可复现的虚拟验证平台。传统物理实验耗时耗力且难以控制变量，而该数据集支持在仿真环境中快速评估车辆检测模型面对对抗贴纸、伪装等物理攻击时的表现。汽车制造商与算法开发者可利用该数据集优化感知算法，提升车辆在恶劣天气、复杂光照及不同地形下的识别可靠性。此外，该数据集还适用于智能交通监控与无人机巡检等场景，助力部署更安全、更鲁棒的视觉感知系统。

衍生相关工作

DCI数据集的提出催生了一系列相关研究工作。在攻击算法方面，研究者基于该基准进一步优化了FCA、DAS、ASA等对抗攻击方法，探索了全覆盖伪装与注意力抑制等策略。在防御机制上，后续工作利用该数据集验证了对抗训练、图像预处理等防御手段的有效性。此外，该数据集还促进了跨渲染器场景生成技术的研究，如结合CARLA与神经渲染器以缩小合成图像与真实图像的差距。这些衍生工作共同推动了物理世界对抗鲁棒性评估体系的成熟，并为未来更智能的自动驾驶安全研究奠定了坚实基础。