論文の概要: Targeted Adversarial Perturbations for Monocular Depth Prediction

• arxiv url: http://arxiv.org/abs/2006.08602v2
• Date: Tue, 8 Dec 2020 22:28:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-11-22 04:27:02.629368
• Title: Targeted Adversarial Perturbations for Monocular Depth Prediction
• Title（参考訳）: 単眼深度予測のための目標逆向摂動
• Authors: Alex Wong, Safa Cicek, Stefano Soatto
• Abstract要約: 対向摂動が単眼深度予測の課題に及ぼす影響について検討した。 具体的には、シーンの知覚的幾何学を選択的に変化させる、小さくて知覚できない付加的摂動の能力を探求する。 このような摂動は、カメラから予測される距離を世界規模で再スケールするだけでなく、異なるターゲットシーンにマッチするように予測を変更することが可能である。
• 参考スコア（独自算出の注目度）: 74.61708733460927
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the effect of adversarial perturbations on the task of monocular depth prediction. Specifically, we explore the ability of small, imperceptible additive perturbations to selectively alter the perceived geometry of the scene. We show that such perturbations can not only globally re-scale the predicted distances from the camera, but also alter the prediction to match a different target scene. We also show that, when given semantic or instance information, perturbations can fool the network to alter the depth of specific categories or instances in the scene, and even remove them while preserving the rest of the scene. To understand the effect of targeted perturbations, we conduct experiments on state-of-the-art monocular depth prediction methods. Our experiments reveal vulnerabilities in monocular depth prediction networks, and shed light on the biases and context learned by them.
• Abstract（参考訳）: 対向摂動が単眼深度予測の課題に及ぼす影響について検討した。 具体的には, シーンの知覚形状を選択的に変化させる, 小さい, 知覚不能な付加摂動の能力について検討する。 このような摂動は、カメラからの予測距離をグローバルに再スケールできるだけでなく、異なるターゲットシーンにマッチするように予測を変更することができる。 また,意味やインスタンスの情報が与えられた場合,摂動がネットワークを騙し,シーン内の特定のカテゴリやインスタンスの深さを変化させたり,シーンの残りを保存しながら削除したりできることを示した。 対象の摂動の影響を理解するため,最先端の単眼深度予測法について実験を行った。 実験の結果,単分子深度予測ネットワークの脆弱性が明らかとなり,それらが学習したバイアスや文脈に光を当てた。

関連論文リスト

• Adversarial Attacks on Monocular Pose Estimation [13.7258515433446]
  単眼深度を対象とする対向摂動とポーズ推定ネットワークの関係について検討する。 我々の実験は、生成した摂動が相対回転および翻訳予測において顕著な誤差をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-07-14T16:12:31Z)
• Dimensions of Motion: Learning to Predict a Subspace of Optical Flow from a Single Image [50.9686256513627]
  本稿では,1つのビデオフレームから,実際の瞬時光フローを含む低次元の光フローのサブスペースを予測する問題を紹介する。 いくつかの自然シーンの仮定によって、不均一性によってパラメータ化されたベースフローフィールドの集合を通して、適切なフロー部分空間を特定できることを示す。 これは、カメラの内在やポーズを必要とせずに、単眼入力ビデオを使用して教師なしの方法でこれらのタスクを学習する新しいアプローチを提供する。
  論文  参考訳（メタデータ） (2021-12-02T18:52:54Z)
• Unsupervised Monocular Depth Perception: Focusing on Moving Objects [5.489557739480878]
  本稿では,光度誤差を意図的に操作することで,効率よく困難に対処できることを示す。 まず、光学誤差マップにおいて、隠蔽または動的画素を統計的外れ値として考慮した外れ値マスキング手法を提案する。 外部マスキングにより、ネットワークはカメラと反対方向に移動する物体の深さをより正確に学習する。
  論文  参考訳（メタデータ） (2021-08-30T08:45:02Z)
• Attack to Fool and Explain Deep Networks [59.97135687719244]
  対人摂動における人為的意味のパターンの証拠を提供することによって、私たちは逆転する。 我々の主な貢献は、その後視覚モデルを理解するためのツールに変換される、新しい実用的対人攻撃である。
  論文  参考訳（メタデータ） (2021-06-20T03:07:36Z)
• Adversarial Examples Detection beyond Image Space [88.7651422751216]
  摂動と予測信頼の間にはコンプライアンスが存在することが分かり、予測信頼の面から少数の摂動攻撃を検出するための指針となる。 本研究では,画像ストリームが画素アーティファクトに注目し,勾配ストリームが信頼度アーティファクトに対応する2ストリームアーキテクチャによる画像空間を超えた手法を提案する。
  論文  参考訳（メタデータ） (2021-02-23T09:55:03Z)
• Adversarial Patch Attacks on Monocular Depth Estimation Networks [7.089737454146505]
  単眼深度推定における逆パッチ攻撃法を提案する。 我々は,対象の手法を騙して,パターンが配置されている領域の誤り深さを推定できる人工パターンを生成する。 実際のシーンに印刷されたパターンを物理的に配置することで,本手法を実世界で実現することができる。
  論文  参考訳（メタデータ） (2020-10-06T22:56:22Z)
• SAFENet: Self-Supervised Monocular Depth Estimation with Semantic-Aware Feature Extraction [27.750031877854717]
  本稿では,セマンティック情報を活用して光度損失の限界を克服するSAFENetを提案する。 私たちのキーとなるアイデアは、意味的知識と幾何学的知識を統合するセマンティック・アウェア・ディープ機能を活用することです。 KITTIデータセットの実験では、我々の手法が最先端の手法と競合するか、さらに優れています。
  論文  参考訳（メタデータ） (2020-10-06T17:22:25Z)
• Adaptive confidence thresholding for monocular depth estimation [83.06265443599521]
  本稿では,自己教師付ステレオマッチング法から生成されたステレオ画像の擬似地上真実深度マップを利用する新しい手法を提案する。 擬似地底深度マップの信頼度マップを推定し、不正確な擬似地底深度マップによる性能劣化を緩和する。 実験結果から, 最先端の単分子深度推定法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2020-09-27T13:26:16Z)
• Calibrating Self-supervised Monocular Depth Estimation [77.77696851397539]
  近年、ニューラルネットワークが深度を学習し、画像のシーケンスに変化を起こさせる能力を示す方法は、訓練信号として自己スーパービジョンのみを使用している。 カメラの構成や環境に関する事前情報を取り入れることで,センサの追加に頼ることなく,自己教師型定式化を用いて,スケールのあいまいさを排除し,深度を直接予測できることを示す。
  論文  参考訳（メタデータ） (2020-09-16T14:35:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。