في عالم الذكاء الاصطناعي، تتزايد أهمية كاشفات الأجسام (Object Detectors) حيث أنها تلعب دوراً حيوياً في أنظمة الأمن والمراقبة. لكن، غالباً ما تكون هذه الكاشفات حساسة جداً لأسوأ التهديدات مثل الهجمات العدائية (Adversarial Attacks)، مما يعوق استخدامها في سيناريوهات الحياة الواقعية.

على عكس التصنيف (Classification)، نالت مقاومة الهجمات العدائية لعمليات كشف الأجسام اهتماماً أقل، وعادةً ما ترتبط الطرق الموجودة بالتدريب العدائي (Adversarial Training) الذي قد لا يكون له تأثير متساوي عبر الهجمات وأحجام الاضطرابات والهندسة المعمارية.

لذا، تم تقديم نموذج LipSSD، الذي يمثل كاشفاً يعتمد على قيود Lipschitz، كبديل قوي ومصمم ذاتياً لتوفير مستوى عالٍ من الأمان. في هذا العمل، أظهرت النتائج أن القيود على Lipschitz يمكن أن تعزز القابلية للكشف بشكل ملحوظ من خلال تحسين نتائج المقياس من حيث الموثوقية والدقة.

أجريت اختبارات شاملة على نموذج LipSSD ضد هجمات عدائية متعددة وباستخدام مجموعات بيانات معترف بها مثل Pascal VOC، حيث أدت النتائج إلى تحسين ملحوظ بمقدار 15 نقطة في المقياس متعدد النقاط على هجمات غير مرئية بالمقارنة مع كاشفات SSD التقليدية المدربة عدائياً.

علاوة على ذلك، قمنا باستخدام مجموعات بيانات مُعينة تُعتبر حساسة من الناحية الأمنية مثل LARD وKITTI، مما أظهر أن كاشفات Lipschitz تستطيع تحسين الصلابة مع الحفاظ على الأداء الجيد في الحالات النظيفة. هذه النتائج تشير إلى أن التحكم المعماري في Lipschitz يمثل اتجاهاً عملياً ولديه القدرة على تحسين مرونة كاشفات الأجسام في مواجهة التهديدات.