Este documento presenta HE-DMDeception, una nueva red de ataque adversarial que integra la decepción visual humana con la decepción de modelos profundos para mejorar la seguridad de la detección de objetos en 3D. Los métodos existentes basados en parches y camuflaje pueden desviar a los modelos de aprendizaje profundo, pero tienen dificultades para generar texturas de alta calidad que sean visualmente imperceptibles. Nuestro marco emplea una red de camuflaje basada en CycleGAN para generar texturas de fondo altamente camufladas, mientras que un módulo de decepción dedicado interrumpe la supresión no máxima (NMS) y los mecanismos de atención a través de restricciones optimizadas que equilibran la eficacia del ataque y la fidelidad visual. Para superar la escasez de datos de vehículos anotados, se introduce un módulo de segmentación de imágenes basado en el modelo preentrenado Segment Anything (SAM), aprovechando una estrategia de entrenamiento de dos etapas que combina autoentrenamiento semisupervisado y ajuste fino supervisado. Los resultados experimentales muestran que los valores mínimos de P@0.5 (50%, 55%, 20%, 25%, 25%) fueron alcanzados por HE-DMDeception en los modelos de detección You Only Look Once versión 8 (YOLOv8), Real-Time Detection Transformer (RT-DETR), Fast Region-based Convolutional Neural Network (Faster-RCNN), Single Shot MultiBox Detector (SSD) y Mask Region-based Convolutional Neural Network (Mask RCNN), manteniendo al mismo tiempo una alta consistencia visual con el camuflaje original. Estos hallazgos demuestran la robustez y la practicidad de HE-DMDeception, ofreciendo nuevas perspectivas sobre los ataques adversariales en la detección de objetos en 3D.