在视觉检测中，对抗攻击及其防御策略的新进展主要体现在对抗攻击方法的创新以及防御策略的有效性提升上。以下是对这些新进展的详细概述：
对抗攻击方法的新进展
针对图像颜色特征的攻击：近年来，研究者提出了一种专门针对图像颜色特征的攻击方法。这种方法通过修改图像的颜色特征，误导视觉检测模型做出错误的判断。这种攻击方法具有隐蔽性强、难以检测的特点，为对抗攻击的研究提供了新的思路。
防御策略的新进展
输入预处理：为了抵御对抗攻击，研究者提出了输入预处理的方法。这种方法通过对输入图像进行预处理，如去噪、增强等，以消除或减弱对抗攻击对图像的影响。输入预处理可以提高模型的鲁棒性，使其在面对对抗攻击时能够保持稳定的性能。
对抗训练：对抗训练是一种有效的防御策略，它通过在训练过程中引入对抗样本，使模型能够学习到对抗攻击的特征，从而提高对对抗攻击的抵御能力。近年来，对抗训练在视觉检测领域得到了广泛应用，并取得了显著的效果。
模型鲁棒性提升：除了输入预处理和对抗训练外，研究者还提出了其他提升模型鲁棒性的方法，如使用鲁棒性更强的网络结构、优化损失函数等。这些方法可以从不同角度提高模型的鲁棒性，使其在面对对抗攻击时能够保持更好的性能。
RobustDet框架：中山大学HCP实验室提出的RobustDet框架是一种针对目标检测器的对抗鲁棒性提升方法。该框架通过深入分析目标检测器在对抗训练中的瓶颈问题，提出了有效的解决方案，极大地提升了检测器的对抗鲁棒性。在几乎不损失正常样本检测性能的前提下，对抗样本的检测性能得到了显著提升。
视觉检测中的对抗攻击及其防御策略在不断发展和创新。未来，随着人工智能技术的不断进步和应用领域的拓展，对抗攻击与防御策略的研究将更加深入和广泛。
