تعتبر نماذج الشبكات العصبية العميقة (Deep Neural Networks - DNN) من الأدوات القوية المستخدمة لتحليل الصور الجوية والأقمار الصناعية، حيث تُستخدم في تطبيقات مثل مراقبة البيئة وتحليل المدن. على الرغم من أدائها المتميز، إلا أن هذه النماذج تواجه تحديات كبيرة بسبب عرضتها للهجمات العدائية (Adversarial Attacks).

في دراسة جديدة، تم استكشاف الهجمات العدائية المادية ضد كاشف الطائرات، حيث تم دمج التهديدات الرقمية مع تنفيذها في العالم الحقيقي. تم تحسين البقع العدائية (Adversarial Patches) في المجال الرقمي باستخدام دالة خسارة تهدف إلى تقليل الحد الأقصى لنسبة كائنات الكاميرا، مع الأخذ في الاعتبار عوامل مثل قابلية الطباعة (Printability) وانسيابية المساحة (Spatial Smoothness).

وقام الباحثون بطباعة وتطبيق هذه البقع في ثلاث تكوينات: ON، OFF، وOFF-Side. أظهرت التجارب باستخدام كاشف YOLOv3 أن البقعة OFF حققت أعلى فعالية في المجال الرقمي، حيث حققت معدل تقليل Average Objectness Reduction Rate (AORR) بنسبة 85.51%. في المقابل، أثبتت البقعة ON قوتها في البيئات المادية مع نسبة كائنات (Objectness Score Ratio - OSR) تتراوح بين 0.197-0.343 بفضل وضوحها الثابت.

أحد النتائج المثيرة للاهتمام هو أن تحسين الطقس لا يؤدي بالضرورة إلى تحسين فعالية البقع في هذا السياق. تقدم هذه الدراسة رؤى هامة حول الثغرات العملية لأنظمة كشف الأجسام الجوية، وتسلط الضوء على الحاجة لتطوير استراتيجيات جديدة لحماية البيانات.