马里兰大学帕克分校与Facebook AI合作开发了一种先进的对抗性模式技术，这种技术能够在物理和数字环境中有效降低对象检测器的性能，使物体在监控下“隐形”。
这项技术主要是通过在物体表面覆盖特殊设计的图案，欺骗安全监控和自动驾驶汽车等技术使用的对象检测器。研究团队发现，这些对抗性图案能够有效干扰检测器，导致它们无法正确识别物体。此发现对安全敏感的领域具有重要意义，因为它揭示了对象检测技术的安全漏洞。
此外，研究还探讨了对抗性图案在不同检测器模型、对象类别和数据集之间的传递性问题，以及如何将这些数字生成的对抗图案有效转移到物理世界。
该技术不仅限于数字领域，其对抗性图案也能被应用到实体物体上，如穿戴在身上的衣物，使其在对象检测器眼中变得难以识别。这一技术运用机器学习和对抗性训练方法，生成能够扰乱检测算法的图案，增强了个人隐私保护和安全防御能力。
通过对抗性训练生成的模式，考虑了多种现实世界条件下的有效性，如尺寸、角度和光照等因素。实体测试和迭代是验证这些数字模式在实际环境中效果的重要步骤，包括将模式印刷到不同材质上并进行环境测试。
这种新型“隐形斗篷”技术的开发，不仅能用于防御自动化监控系统，还为安全领域的研究提供了新的视角和挑战，进一步推动了相关技术的发展和完善。有关更详细的技术描述和研究成果，可参阅马里兰大学的项目网站和arXiv发布的相关论文。
