NoRecognition: De tegenstandspatronen die je verbergen voor AI-bewaking

Swearingens kernmethode is een zichzelf lerende fuzzer die tegenstandspatronen genereert en deze test tegen open-source objectdetectie-algoritmen . Patronen die nog steeds detectie triggeren, worden aangepast en opnieuw getest in een iteratieve lus. Na ongeveer 31 miljoen testiteraties convergeerde het systeem naar patroonvarianten die alle 11 AI-surveillancesystemen in Swearingens testsuite versloegen .

"Het is een genetisch algoritme dat tegenstandspatronen voor textiel kweekt, die op gewone stof worden geprint en trapsgewijze storingen veroorzaken in de volledige gezichtsherkenningspijplijn – persoonsdetectie, gezichtsdetectie en identiteitscontrole – zonder elektronica en zonder dat het er voor een naast je staand persoon ongewoon uitziet," zei Swearingen in een Black Hat-preview .

Systemen verslagen door NoRecognition

Swearingens project is getest tegen en beweert 11 verschillende AI-surveillance modellen te verslaan, waaronder:

• Flock – kentekenplaatzuigers en bewakingscamera's
• Axon – bodycams en bewakingssystemen voor wetshandhaving
• Clearview AI – gezichtsherkenning
• Diverse andere modellen voor persoonsdetectie, voertuigdetectie en gezichtsherkenning

Opmerkelijk is dat Swearingen heeft verklaard dat zijn systeem test tegen "de echte modellen. Niet academische benchmarks. De daadwerkelijke systemen die draaien in Clearview AI, politie-bodycams, luchthavenbeveiliging" .

De Def Con 34 openbare test

Op de Def Con cybersecurity-conferentie in Las Vegas op vrijdag 7 augustus 2026 voerde Swearingen de eerste openbare praktijktest uit met NoRecognition-patronen . Met hulp van automedia-outlet Donut Media werd een 2009 Toyota Yaris bedekt met het computergestuurde patroon en langs een Flock-bewakingscamera gereden .

Volgens Swearingen ontweek het voertuig de automatische detectie van het Flock-systeem – de camera gaf geen detectiemelding . Dit was de eerste keer dat de patronen werden gevalideerd tegen een fysieke camera in een echte omgeving in plaats van in een digitale simulatie . Onafhankelijke verslaggevers merkten echter op dat de demo een enkele niet-geblindeerde test was en dat bredere peer-reviewed validatie nog steeds uitstaat .

De opkomst van adversarial fashion

Parallel aan Swearingens technische werk is een beweging genaamd 'adversarial clothing' of 'adversarial fashion' ontstaan als een mainstream trend .

The Guardian meldde in juli 2026 dat ontwerpers 'tegenstandspatronen' – zorgvuldig gerangschikte vormen, kleuren en motieven – in kleding verwerken, specifiek om AI voor gezichtsherkenning in de war te sturen . Merken zoals Cap_able, Urban Privacy en Vollebak produceren kledinglijnen die claimen zwakheden in computervisiemodellen uit te buiten .

De in Berlijn gevestigde kunstenaar Simon Weckert presenteerde een conceptuele collectie genaamd 'Digital Camouflage' – kledingstukken bedrukt met generatieve tegenstandspatronen die zijn ontworpen om AI-detectie vanuit elke hoek of stofplooi te voorkomen . De beweging wordt omschreven als 'privacy kan de volgende grote modetrend zijn', waarbij dragers een zichtbaar statement maken over het belang van privacy terwijl ze mogelijk geautomatiseerde gezichtsherkenning ontwijken .

Cap_able, een Italiaanse modestartup, creëert gebreide kleding met tegenstandspatronen en maakt kledingstukken omkeerbaar, zodat de gebruiker kan kiezen wanneer hij door AI wil worden gedetecteerd of niet . Het gepatenteerde proces ontwikkelt algoritmisch tegenstandspatronen, wat het 'AI-camouflage' noemt .

Beperkingen en implicaties van de wapenwedloop

De technologie is geen wondermiddel. Experts wijzen op verschillende belangrijke kanttekeningen:

• Beperkte effectiviteit: De patronen maken een persoon of voertuig niet onzichtbaar voor menselijke kijkers of voor de video-opname zelf – ze verstoren alleen geautomatiseerde detectie-algoritmen . Een mens die de beelden bekijkt, kan de persoon nog steeds zien .
• Modelspecifiek: De patronen zijn geoptimaliseerd tegen de specifieke architecturen in Swearingens testsuite. Bewakingsbedrijven kunnen hun modellen updaten om de patronen te herkennen en te negeren, wat leidt tot een klassieke tegenstanders-wapenwedloop .
• Fysieke kwetsbaarheid: De gebruikte patronen werden onder gecontroleerde omstandigheden op vlakke stof geprint. Factoren zoals belichting, hoek, afstand, stofplooien en weer kunnen de effectiviteit verminderen – en de Def Con-test was een enkele voorbijrijdtest tegen één camera .
• Risico op hertraining: Zoals The Guardian opmerkt, waarschuwen experts dat tegenstandspatronen alleen werken totdat het bewakingsmodel opnieuw wordt getraind op de tegenstadvoorbeelden, waarna de bescherming kan verdwijnen .
• Juridisch en ethisch grijs gebied: Terwijl Swearingen de technologie presenteert als een privacy-opt-outmechanisme, kunnen wetshandhavingsinstanties het zien als een ontwijkingstool, wat mogelijk kan leiden tot regulering of juridische uitdagingen .
• Onvoldoende onafhankelijke verificatie: Onafhankelijke verslaggevers merkten op dat de Def Con-demo een enkele niet-geblindeerde test was en dat bredere peer-reviewed validatie van de praktische effectiviteit van de patronen nog steeds uitstaat .

Wat dit betekent voor privacy

NoRecognition vertegenwoordigt een van de meest rigoureuze pogingen tot nu toe om een praktische, draagbare verdediging tegen AI-bewaking te creëren. Met 31 miljoen tests en een live demonstratie tegen een Flock-camera is het project verder gegaan dan een academisch proof-of-concept. Maar of tegenstandspatronen de wapenwedloop tegen snel evoluerende bewakings-AI kunnen overleven – en of de bredere adversarial fashion-beweging echte privacybescherming op schaal zal bieden – blijft een open vraag.

Zoals Swearingen het zelf verwoordde, is de kernvraag: "Kunnen fysieke stoffen echt state-of-the-art gezichtsherkenning verslaan in echte omstandigheden?" Het antwoord is voorlopig dat ze dat kunnen – totdat de AI ze inhaalt.