Des caméras alimentées par l'IA parsèment les rues du monde entier, équipées pour identifier les visages ou les plaques d'immatriculation. Mais un retour de bâton public prend de l'ampleur. Les préoccupations liées à la vie privée — manque de consentement, stockage et utilisation des données, et risques de mauvaise utilisation — motivent les gens à se défendre. Le projet De Flock cartographie les lecteurs automatiques de plaques d'immatriculation (ALPR) pour sensibiliser. Certains recourent au vandalisme des ALPR, tandis que d'autres confectionnent de la « mode adversariale » pour échapper aux caméras de surveillance, comme le projet Kickstarter no Recognition, présenté à DEF CON.

En 2025, l'expert en cybersécurité Bill Swearingen a commencé à expérimenter un fuzzer basé sur Python ciblant YOLO, un cadre populaire de détection d'objets. Il a développé un algorithme d'apprentissage par renforcement générant des motifs géométriques colorés, testés contre 11 modèles de détection d'objets. Les motifs réussis déjouent les systèmes, abaissant les scores de confiance, parfois jusqu'à l'absence de détection. « La vie privée est un droit humain », déclare Swearingen.

Cap_able et Urban Privacy vendent des vêtements physiques. La méthode brevetée de Cap_able tisse des motifs dans des tricots jacquard, interférant avec la vision par ordinateur pour classer les porteurs comme des animaux ou des objets. « Si nous sommes capables de camoufler une personne en autre chose, alors nous atteignons notre objectif », déclare la fondatrice Rachele Didero. Faception Reloaded d'Urban Privacy déjoue la reconnaissance faciale basée sur Open CV avec des empreintes faciales abstraites, ralentissant les détecteurs. « L'idée est de créer de fausses données », déclare le cofondateur Daniel Preuß.

La mode anti-surveillance remonte aux œuvres d'art des années 2010 d'Adam Harvey et à la ligne Adversarial Fashion de Kate Bertash en 2019. « Les vêtements sont quelque chose que vous pouvez réellement acheter et porter, contrairement aux politiques », déclare Niloofar Mireshghallah de l'Université Carnegie Mellon. Les conditions du monde réel pourraient réduire l'efficacité.

Entités clés : Entreprises : De Flock, no Recognition, Cap_able, Urban Privacy, YOLO, Open CV, Carnegie Mellon University | Personnes : Bill Swearingen, Rachele Didero, Daniel Preuß, Adam Harvey, Kate Bertash, Niloofar Mireshghallah | Lieux : DEF CON, Free University of Bozen-Bolzano, Italy

FAQ : Comment la mode adversariale échappe-t-elle à la surveillance par IA ?

La mode adversariale utilise des motifs qui perturbent les modèles de détection d'objets, abaissant les scores de confiance ou provoquant une mauvaise classification, comme classer les porteurs comme des animaux ou des objets.