Adversarial Patch Defense Evaluation (APDE)

APDE数据集是针对目标检测器的对抗性补丁防御评估的大型数据集，包含94种类型的补丁和94000张图片。该数据集由西安交通大学、香港城市大学和武汉大学的研究团队创建，旨在提供一个统一的对抗性补丁防御评估框架，解决现有防御评估方法的不足。数据集包含多种补丁类型和攻击方法，可以帮助研究者评估和改进现有的防御模型。该数据集可用于训练和评估防御模型，以提高其鲁棒性和泛化能力。The APDE Dataset is a large-scale dataset for adversarial patch defense evaluation of object detectors, which contains 94 types of patches and 94,000 images. Developed by research teams from Xi'an Jiaotong University, City University of Hong Kong and Wuhan University, this dataset aims to provide a unified adversarial patch defense evaluation framework to address the shortcomings of existing defense evaluation methods. It covers diverse patch types and attack methods, enabling researchers to evaluate and improve existing defense models. Additionally, this dataset can be used for training and evaluating defense models to enhance their robustness and generalization capabilities.

原始信息汇总

数据集概述

基本信息

• 数据集名称：APDE（Adversarial Patch Defenses Evaluation）
• 关联论文：Revisiting Adversarial Patch Defenses on Object Detectors: Unified Evaluation, Large-Scale Dataset, and New Insights
• 会议：ICCV2025

状态

• 代码和数据集：即将发布（comming soon）

研究背景

• 研究领域：对抗性补丁防御在目标检测器上的应用
• 主要贡献：
  • 统一评估框架
  • 大规模数据集
  • 新见解

搜集汇总

数据集介绍

构建方式

在对抗性补丁防御评估领域，APDE数据集的构建采用了系统化的方法。研究团队通过在白盒攻击条件下对11种主流目标检测器实施13种不同的对抗补丁攻击，生成了94种不同类型的对抗补丁。这些补丁被应用于INRIA-Person和MS COCO数据集的测试集，最终构建了包含94,000张图像的大规模数据集。数据集采用416×416像素的PNG格式存储，并按照6:4的比例划分为训练集和测试集，确保了评估的全面性和可靠性。

特点

APDE数据集展现出三个显著特征：其规模远超现有同类数据集，包含94,000张图像；补丁类型丰富多样，涵盖几何形状和自然形态等94种类型；采用白盒评估设置，通过在11种检测器上训练对抗补丁，为防御模型提供了最坏情况下的对抗威胁评估。这些特性使得该数据集能够更全面地评估防御模型的泛化能力和鲁棒性。

使用方法

该数据集主要用于评估和改进对抗补丁防御方法。研究人员可以通过在训练集上优化防御模型，然后在测试集上验证其性能。数据集支持多种评估指标，包括平均精度(AP)和攻击成功率(ASR)，并能测量防御效率等实用指标。值得注意的是，数据集的多样化补丁分布可帮助提升现有防御模型15.09%的AP@0.5性能，即使对于训练时未见过的域外攻击也表现出良好的防御效果。

背景与挑战

背景概述

Adversarial Patch Defense Evaluation (APDE) 数据集由西安交通大学、香港城市大学和武汉大学的研究团队于2025年提出，旨在解决目标检测领域中对抗性补丁防御评估缺乏统一框架的问题。该数据集包含94种对抗性补丁和94,000张图像，覆盖了13种补丁攻击方法和11种目标检测器，是目前规模最大、多样性最丰富的对抗性补丁数据集之一。APDE的提出填补了现有数据集（如Apricot和GAP）在规模和多样性上的不足，为对抗性补丁防御研究提供了更全面的评估基准。该数据集不仅用于评估防御方法的性能，还能显著提升现有防御模型的平均精度（AP@0.5），平均改进幅度达15.09%。

当前挑战

APDE数据集面临的挑战主要体现在两个方面：领域问题挑战和构建过程挑战。在领域问题方面，对抗性补丁攻击的多样性和复杂性使得防御方法难以全面覆盖，尤其是自然主义补丁（NAP）因其数据分布特性更难被检测和防御。此外，现有评估指标（如补丁检测准确率）与防御性能之间的不一致性也增加了评估的难度。在构建过程中，生成多样化的对抗性补丁需要平衡攻击效果与补丁的自然性，同时还需确保补丁在不同目标检测器上的通用性。数据集的规模庞大也带来了存储和计算资源的挑战，尤其是在物理世界实验中，补丁的打印和拍摄条件（如光照、角度和距离）的多样性进一步增加了数据采集的复杂性。

常用场景

经典使用场景

Adversarial Patch Defense Evaluation (APDE) 数据集在对抗性补丁防御研究中扮演着关键角色，尤其在评估目标检测器对物理世界对抗性补丁攻击的鲁棒性方面。该数据集通过整合多种攻击目标、攻击方法和检测器，为研究者提供了一个统一的评估框架。经典使用场景包括评估防御方法在不同光照条件、距离和角度下的有效性，以及分析补丁大小和形状对防御性能的影响。

解决学术问题

APDE 数据集解决了对抗性补丁防御研究中的多个关键学术问题。首先，它填补了现有评估框架缺乏统一性和全面性的空白，通过标准化参数和补丁部署策略，实现了防御方法的公平比较。其次，该数据集揭示了自然主义补丁防御失败的根本原因在于数据分布而非高频特征，这一发现挑战了传统认知。此外，它提出了以被攻击目标的平均精度（AP）而非补丁检测准确率作为防御性能评估指标，为领域内提供了更科学的评估标准。

衍生相关工作

APDE 数据集已催生多项重要研究工作。基于该数据集的分析发现，采用复杂/随机模型或通用补丁特性的防御方法（如PAD和NutNet）展现出更强的鲁棒性。这些发现直接促进了新一代防御算法的开发，如利用扩散模型的DIFFender和基于特征过激活分析的Zmask。同时，该数据集也为认证防御研究提供了基准，推动了ObjectSeeker等工作的进展。