본 논문은 물리적으로 구현 가능한 공격(예: 적대적 패치, 적대적 텍스처)에 취약한 객체 검출기의 문제점을 해결하기 위해, 통합된 적대적 학습 방법인 PBCAT(Patch-Based Composite Adversarial Training)을 제안합니다. PBCAT는 작은 영역의 기울기 기반 적대적 패치와 이미지 전체를 덮는 미세한 전역 적대적 섭동을 결합하여 모델을 최적화합니다. 기존 연구들이 적대적 패치 공격에 대한 방어에만 집중한 것과 달리, PBCAT는 다양한 물리적으로 구현 가능한 공격에 대한 방어를 목표로 합니다. 실험 결과, PBCAT는 기존 최첨단 방어 방법보다 다양한 물리적 공격에 대한 강건성을 크게 향상시켰으며, 특히 최근 제안된 적대적 텍스처 공격에 대해서는 검출 정확도를 29.7% 향상시켰습니다.