以下將詳解noRecognition的運作原理、Def Con展示的真實內容，以及大眾如何能購買這些圖案製成的服飾。

什麼是 noRecognition？

noRecognition是Bill Swearingen（堪薩斯城資安專業人士、SecKC聚會與SIXCYBER創辦人）所主導的一項反監視研究計畫。它產出對抗性視覺圖案，專門設計來防止自動化監視系統偵測到人員、臉部、車輛與物件。這些圖案被印在布料或貼膜上，再應用於服飾或車輛表面。它們不會阻擋一般的錄影功能——它們專門欺騙攝影機上運作的物件偵測與分類軟體。

Swearingen向TechCrunch解釋他的方法：這些圖案利用了神經網路的分類層，創造出一種視覺訊號，讓模型無法將其解析成可辨識的類別。對人類觀察者而言，圖案看起來像是抽象的混亂設計；對AI來說，它則形同隱形。

強化學習系統如何在3100萬次測試中訓練

Swearingen建立了一個強化學習模型，能反覆產出圖案，並針對11種不同的開源電腦視覺偵測演算法進行測試。每次測試後，模型都會學習哪些視覺特徵會導致偵測失敗，並據此優化圖案。

經過約3100萬次測試（部分來源稱為3170萬次）以及長達一年的運算，模型收斂到能穩定讓這些演算法無法分類圖案所覆蓋的任何東西的設計。Swearingen將這個過程形容為「教模型如何作畫」——系統學會了生成能最大化干擾偵測軟體判斷的紋理。

在數位控制的測試中，使用真實提取的模型權重，全覆蓋的noRecognition紋理讓f-YOLOv5監視偵測器在240張保留的服裝圖像上，於0.25偵測閾值下達到61.7%的非偵測率，相較無紋理基準線的遮蔽修正提升幅度為+0.537。

實驗室測試中擊敗的系統：

• Flock 車牌辨識鏡頭
• Axon 隨身攝影機
• Clearview AI 臉部辨識系統
• Swearingen測試套件中的所有11種開源偵測演算法

Def Con 34展示：攝影機看不見的2009年豐田Yaris

2026年8月7日（週五），Swearingen在拉斯維加斯的Def Con資安大會上進行了noRecognition圖案的首次公開真實世界測試。他與汽車媒體Donut Media合作，將一台2009年豐田Yaris覆蓋上電腦生成的圖案，並駛過一個Flock車牌辨識鏡頭。

Swearingen表示，這台Yaris完全避開了自動偵測——Flock攝影機無法識別這輛車或讀取它的車牌，而一般的錄影功能則不受影響地繼續進行。據報導，輪胎部分仍構成挑戰，但整體測試被認為是有效的。

關於展示的重要說明： 這項主張的獨立驗證仍然有限。TechCrunch指出，這個結果比車輛變成「隱形」還要狹隘——攝影機仍舊錄下了影像，而展示影片與紀錄檔並未公開。目前真實世界的紀錄僅限於一次Def Con測試中對單一攝影機型號的實測，證明力仍有待討論。

如何購買 noRecognition 圖案：T恤、帽T與脖圍

Swearingen的目標是將noRecognition轉化為大眾隱私的實用工具——一種讓人們選擇退出演算法監視的方式，且不需要任何技術知識。

他在2026年8月初，與其研究在Black Hat與Def Con大會上發表的同時，啟動了一項Kickstarter群眾募資計畫。他在LinkedIn上宣布：「印有真正有效圖案的T恤、帽T與脖圍」——與研究發表同步上市。

目前與計畫中的商品：

截至2026年8月中，Kickstarter募資計畫已募集超過40,000美元。支付高額費用的贊助者可以要求客製化圖案，這些圖案是「生成、測試過，且從未釋出、展示或印製給任何其他人」的。車輛包膜應用被描述為服飾線啟動後的下一步。

重要的法律與實務說明

該計畫目前仍是一項隱私研究計畫，而非經過驗證的商業產品。實驗室測試顯示其對特定演算法有效，但針對廣泛部署的各種監視系統的真實世界表現，尚未經過獨立審計或保證。

Swearingen也承認存在法律灰色地帶：駕駛包膜的車輛會引發各州關於車牌遮蔽的不同法律問題，而他的圖案設計明確避開了車牌區域。

目前，noRecognition提供了一個未來可能性的藍圖：讓人們能透過穿著正確的圖案來選擇退出演算法監視。但Swearingen本人以及多家新聞媒體都謹慎地指出，這仍是研究——而非魔法斗篷——且其證據基礎仍僅限於一次未公開文件的攝影機測試。

以下將詳解noRecognition的運作原理、Def Con展示的真實內容，以及大眾如何能購買這些圖案製成的服飾。

什麼是 noRecognition？

noRecognition是Bill Swearingen（堪薩斯城資安專業人士、SecKC聚會與SIXCYBER創辦人）所主導的一項反監視研究計畫。它產出對抗性視覺圖案，專門設計來防止自動化監視系統偵測到人員、臉部、車輛與物件。這些圖案被印在布料或貼膜上，再應用於服飾或車輛表面。它們不會阻擋一般的錄影功能——它們專門欺騙攝影機上運作的物件偵測與分類軟體。

Swearingen向TechCrunch解釋他的方法：這些圖案利用了神經網路的分類層，創造出一種視覺訊號，讓模型無法將其解析成可辨識的類別。對人類觀察者而言，圖案看起來像是抽象的混亂設計；對AI來說，它則形同隱形。

強化學習系統如何在3100萬次測試中訓練

Swearingen建立了一個強化學習模型，能反覆產出圖案，並針對11種不同的開源電腦視覺偵測演算法進行測試。每次測試後，模型都會學習哪些視覺特徵會導致偵測失敗，並據此優化圖案。

經過約3100萬次測試（部分來源稱為3170萬次）以及長達一年的運算，模型收斂到能穩定讓這些演算法無法分類圖案所覆蓋的任何東西的設計。Swearingen將這個過程形容為「教模型如何作畫」——系統學會了生成能最大化干擾偵測軟體判斷的紋理。

在數位控制的測試中，使用真實提取的模型權重，全覆蓋的noRecognition紋理讓f-YOLOv5監視偵測器在240張保留的服裝圖像上，於0.25偵測閾值下達到61.7%的非偵測率，相較無紋理基準線的遮蔽修正提升幅度為+0.537。

實驗室測試中擊敗的系統：

• Flock 車牌辨識鏡頭
• Axon 隨身攝影機
• Clearview AI 臉部辨識系統
• Swearingen測試套件中的所有11種開源偵測演算法

Def Con 34展示：攝影機看不見的2009年豐田Yaris

2026年8月7日（週五），Swearingen在拉斯維加斯的Def Con資安大會上進行了noRecognition圖案的首次公開真實世界測試。他與汽車媒體Donut Media合作，將一台2009年豐田Yaris覆蓋上電腦生成的圖案，並駛過一個Flock車牌辨識鏡頭。

Swearingen表示，這台Yaris完全避開了自動偵測——Flock攝影機無法識別這輛車或讀取它的車牌，而一般的錄影功能則不受影響地繼續進行。據報導，輪胎部分仍構成挑戰，但整體測試被認為是有效的。

關於展示的重要說明： 這項主張的獨立驗證仍然有限。TechCrunch指出，這個結果比車輛變成「隱形」還要狹隘——攝影機仍舊錄下了影像，而展示影片與紀錄檔並未公開。目前真實世界的紀錄僅限於一次Def Con測試中對單一攝影機型號的實測，證明力仍有待討論。

如何購買 noRecognition 圖案：T恤、帽T與脖圍

Swearingen的目標是將noRecognition轉化為大眾隱私的實用工具——一種讓人們選擇退出演算法監視的方式，且不需要任何技術知識。

他在2026年8月初，與其研究在Black Hat與Def Con大會上發表的同時，啟動了一項Kickstarter群眾募資計畫。他在LinkedIn上宣布：「印有真正有效圖案的T恤、帽T與脖圍」——與研究發表同步上市。

目前與計畫中的商品：

截至2026年8月中，Kickstarter募資計畫已募集超過40,000美元。支付高額費用的贊助者可以要求客製化圖案，這些圖案是「生成、測試過，且從未釋出、展示或印製給任何其他人」的。車輛包膜應用被描述為服飾線啟動後的下一步。

重要的法律與實務說明

該計畫目前仍是一項隱私研究計畫，而非經過驗證的商業產品。實驗室測試顯示其對特定演算法有效，但針對廣泛部署的各種監視系統的真實世界表現，尚未經過獨立審計或保證。

Swearingen也承認存在法律灰色地帶：駕駛包膜的車輛會引發各州關於車牌遮蔽的不同法律問題，而他的圖案設計明確避開了車牌區域。

目前，noRecognition提供了一個未來可能性的藍圖：讓人們能透過穿著正確的圖案來選擇退出演算法監視。但Swearingen本人以及多家新聞媒體都謹慎地指出，這仍是研究——而非魔法斗篷——且其證據基礎仍僅限於一次未公開文件的攝影機測試。