【2025CVPR-目标检测方向】学习稳健且硬件自适应的对象检测器，以应对边缘设备的延迟攻击

1. ​引言和背景​

文档首先介绍对象检测作为关键使能技术，支撑着自动驾驶、无人机导航和视频监控等实时下游应用。尽管对象检测模型（如YOLOv3、YOLOv5和YOLOv8）在性能（如MS-COCO基准上的mAP达56-60%）和效率（嵌入式NVIDIA Jetson板上达30+ FPS）上取得显著进步，但它们面临新型威胁——延迟攻击。这些攻击不是传统的误分类攻击（misclassifying attacks），而是通过针对后处理模块（如非极大值抑制，NMS）制造计算瓶颈，导致处理延迟（latency），从而破坏实时性。例如，在自动驾驶中，延迟可能导致传感器融合和决策子系统级联故障。现有防御（如设置对象数量硬限制或移除NMS）存在不足：前者在crowd counting等应用中易误拒真实对象，后者需要重写遗留软件且NMS-free架构（如DETR）在边缘设备上性能不足。

文档通过系统分析揭示延迟攻击的根本漏洞：NMS模块的时间复杂度随候选边界框数量增加而二次增长。攻击者利用梯度对抗技术生成大量“幻影对象”（phantom objects），通过最大化边界框置信度（objectness）来淹没NMS管道。文档强调，防御需考虑硬件异质性（如边缘设备与云GPU），因为瓶颈在资源受限设备（如Jetson）上表现为计算绑定，在高端设备（如A100）上表现为内存绑定（由于GPU-CPU数据传输）。

2. ​延迟攻击机制与分析​

延迟攻击（如Daedalus、Phantom Sponge和Overload）利用NMS的算法漏洞。NMS用于消除重复检测对象，其过程涉及GPU上的IoU计算和CPU上的逻辑操作（Algorithm 1）。攻击通过对抗