NoRecognition : les motifs adverses qui rendent invisible aux caméras IA

La méthode de Swearingen repose sur un « fuzzer » auto-apprenant qui génère des motifs adverses et les teste contre des algorithmes de détection d'objets open source . Les motifs qui déclenchent encore une détection sont modifiés et retestés dans une boucle itérative. Après environ 31 millions d'itérations, le système a convergé vers des variantes de motifs qui ont mis en échec les 11 modèles de surveillance IA de sa suite de test .

« C'est un algorithme génétique qui fait évoluer des motifs textiles adverses, imprimés sur du tissu ordinaire, et qui provoquent des défaillances en cascade dans toute la chaîne de reconnaissance faciale — détection de personne, détection de visage et identification — sans électronique et sans rien qui paraisse anormal à la personne à côté de vous », a déclaré Swearingen dans une présentation au Black Hat .

Systèmes mis en échec par NoRecognition

Le projet de Swearingen a été testé contre et prétend neutraliser 11 modèles différents de surveillance par IA, notamment :

• Flock — lecteurs de plaques d'immatriculation et caméras de surveillance
• Axon — caméras portatives et systèmes de surveillance des forces de l'ordre
• Clearview AI — reconnaissance faciale
• Divers autres modèles de détection de personnes, de véhicules et de reconnaissance faciale

Swearingen a déclaré que son système teste « les vrais modèles. Pas des benchmarks académiques. Les systèmes réels utilisés dans Clearview AI, les caméras portatives de la police, la sécurité des aéroports » .

Le test public au Def Con 34

Lors du salon de la cybersécurité Def Con à Las Vegas, le vendredi 7 août 2026, Swearingen a mené le premier test public en conditions réelles des motifs NoRecognition . Avec l'aide du média automobile Donut Media, une Toyota Yaris de 2009 a été recouverte du motif généré par ordinateur et conduite devant une caméra de surveillance Flock .

Selon Swearingen, le véhicule a évité la détection automatique du système Flock — la caméra n'a pas déclenché d'alerte de détection . C'était la première fois que les motifs étaient validés contre une caméra physique dans un environnement réel plutôt qu'en simulation numérique . Cependant, des journalistes indépendants ont noté qu'il s'agissait d'un test unique non aveugle, et qu'une validation plus large par les pairs reste à faire .

L'essor de la « mode adverse »

Un mouvement parallèle appelé « mode adverse » ou « mode anti-reconnaissance » est devenu une tendance grand public parallèlement aux travaux techniques de Swearingen .

The Guardian rapportait en juillet 2026 que des designers intègrent des « motifs adverses » — des arrangements soigneusement calculés de formes, de couleurs et de motifs — dans des vêtements destinés à tromper l'IA de reconnaissance faciale . Des marques comme Cap_able, Urban Privacy et Vollebak produisent des lignes de vêtements qui prétendent exploiter les faiblesses des modèles de vision par ordinateur .

L'artiste berlinois Simon Weckert a dévoilé une collection conceptuelle appelée « Digital Camouflage » — des vêtements imprimés de motifs adverses génératifs conçus pour empêcher la détection par IA de surveillance sous n'importe quel angle ou pli de tissu . Le mouvement est décrit comme « la vie privée pourrait être la prochaine grande tendance de la mode », les porteurs faisant une déclaration visible sur l'importance de la vie privée tout en pouvant échapper à la reconnaissance faciale automatisée .

Cap_able, une start-up italienne de mode, crée des tricots avec des motifs adverses et conçoit des vêtements réversibles, permettant à l'utilisateur de choisir quand il souhaite être détecté par l'IA ou non . Son procédé breveté développe algorithmiquement des motifs adverses, créant ce qu'elle appelle un « camouflage IA » .

Limites et implications de la course à l'armement

La technologie n'est pas une solution miracle. Les experts soulignent plusieurs réserves importantes :

• Efficacité limitée : Les motifs ne rendent pas une personne ou un véhicule invisible aux yeux humains ou à l'enregistrement vidéo lui-même — ils ne perturbent que les algorithmes de détection automatique . Un humain qui regarde les images peut toujours voir la personne .
• Spécifiques aux modèles : Les motifs sont optimisés contre les architectures spécifiques de la suite de test de Swearingen. Les entreprises de surveillance peuvent mettre à jour leurs modèles pour reconnaître et ignorer les motifs, créant une classique course à l'armement adverse .
• Fragilité dans le monde réel : Les motifs déployés ont été imprimés sur du tissu plat dans des conditions contrôlées. Des facteurs réels comme l'éclairage, l'angle, la distance, les plis du tissu et les conditions météorologiques peuvent dégrader l'efficacité — et le test Def Con était un seul passage devant une caméra .
• Risque de réentraînement : Comme le note The Guardian, les experts préviennent que les motifs adverses ne fonctionnent que jusqu'à ce que le modèle de surveillance soit réentraîné sur les exemples adverses, après quoi la protection peut disparaître .
• Zone grise juridique et éthique : Alors que Swearingen présente la technologie comme un mécanisme de désinscription de la surveillance, les forces de l'ordre peuvent y voir un outil de dissimulation, ce qui pourrait entraîner une réglementation ou des contestations judiciaires .
• Vérification indépendante insuffisante : Des journalistes indépendants ont noté que la démonstration Def Con était un test unique non aveugle, et qu'une validation plus large par les pairs de l'efficacité des motifs dans le monde réel reste en attente .

Ce que cela signifie pour la vie privée

NoRecognition représente l'une des tentatives les plus rigoureuses à ce jour pour créer une défense pratique et portable contre la surveillance par IA. Avec 31 millions de tests et une démonstration en direct contre une caméra Flock, le projet a dépassé le stade de la preuve de concept académique. Mais la question de savoir si les motifs adverses peuvent survivre à la course à l'armement contre une IA de surveillance en évolution rapide — et si le mouvement plus large de la mode adverse offrira une protection réelle de la vie privée à grande échelle — reste ouverte.

Comme Swearingen lui-même l'a formulé, la question centrale est : « Les tissus physiques peuvent-ils vraiment déjouer la reconnaissance faciale de pointe dans des conditions réelles ? » La réponse, pour l'instant, est qu'ils le peuvent — jusqu'à ce que l'IA rattrape son retard.