論文の概要: Relevance Attack on Detectors

• arxiv url: http://arxiv.org/abs/2008.06822v4
• Date: Tue, 23 Nov 2021 14:15:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-28 09:16:13.196751
• Title: Relevance Attack on Detectors
• Title（参考訳）: 検出器の関連攻撃
• Authors: Sizhe Chen, Fan He, Xiaolin Huang, Kun Zhang
• Abstract要約: 本稿では,ブラックボックス方式では攻撃が難しい検出器に対する高透過性対向攻撃に焦点を当てた。 我々は、検出器のインタプリタからの関連写像がそのような性質であることを初めて示唆する。 そこで我々は,最先端の伝達性を実現するRelevance Attack on Detectors (RAD) を設計した。
• 参考スコア（独自算出の注目度）: 24.318876747711055
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper focuses on high-transferable adversarial attacks on detectors, which are hard to attack in a black-box manner, because of their multiple-output characteristics and the diversity across architectures. To pursue a high attack transferability, one plausible way is to find a common property across detectors, which facilitates the discovery of common weaknesses. We are the first to suggest that the relevance map from interpreters for detectors is such a property. Based on it, we design a Relevance Attack on Detectors (RAD), which achieves a state-of-the-art transferability, exceeding existing results by above 20%. On MS COCO, the detection mAPs for all 8 black-box architectures are more than halved and the segmentation mAPs are also significantly influenced. Given the great transferability of RAD, we generate the first adversarial dataset for object detection and instance segmentation, i.e., Adversarial Objects in COntext (AOCO), which helps to quickly evaluate and improve the robustness of detectors.
• Abstract（参考訳）: 本稿では, マルチアウトプット特性とアーキテクチャ間の多様性から, ブラックボックス方式で攻撃し難い検出器に対する高い伝達性攻撃に焦点を当てた。 高い攻撃伝達性を求めるためには、検出器間で共通の性質を見つけ、共通の弱点の発見を容易にすることが考えられる。 我々は、検出器のインタプリタからの関連写像がそのような性質であることを初めて示唆する。 そこで本研究では,最先端のトランスファービリティを実現するRelevance Attack on Detectors (RAD) を設計し,既存の結果を20%以上越えた。 MS COCOでは,8つのブラックボックスアーキテクチャに対する検出mAPが半減し,セグメンテーションmAPも大きく影響を受ける。 RADの大きな伝達性を考えると、オブジェクト検出とインスタンスセグメンテーションのための最初の逆数データセット、すなわち、Context(AOCO)の逆数オブジェクトを生成し、検出器の堅牢性を迅速に評価し改善するのに役立つ。

関連論文リスト

• Enhancing Infrared Small Target Detection Robustness with Bi-Level Adversarial Framework [61.34862133870934]
  本稿では,異なる汚職の存在下での検出の堅牢性を促進するために,二段階の対向的枠組みを提案する。 我々の手法は広範囲の汚職で21.96%のIOUを著しく改善し、特に一般ベンチマークで4.97%のIOUを推進している。
  論文  参考訳（メタデータ） (2023-09-03T06:35:07Z)
• Illicit item detection in X-ray images for security applications [7.519872646378835]
  X線画像におけるコントラバンドアイテムの自動検出は、公共の安全を著しく向上させる。 ディープニューラルネットワーク(DNN)に依存する現代のコンピュータビジョンアルゴリズムは、このタスクを遂行できることを証明している。 本稿では,X線解析領域におけるそのようなアルゴリズムの2倍の改良を提案する。
  論文  参考訳（メタデータ） (2023-05-03T07:28:05Z)
• Attacking Important Pixels for Anchor-free Detectors [47.524554948433995]
  物体検出に対する既存の敵攻撃は、アンカーベース検出器の攻撃に焦点を当てている。 本研究では,アンカーフリー検出器を指向した最初の対向攻撃を提案する。 提案手法は,オブジェクト検出と人間のポーズ推定の両タスクにおいて,最先端の攻撃性能と伝達性を実現する。
  論文  参考訳（メタデータ） (2023-01-26T23:03:03Z)
• TAD: Transfer Learning-based Multi-Adversarial Detection of Evasion Attacks against Network Intrusion Detection Systems [0.7829352305480285]
  我々は、侵入検知のための既存の最先端モデルを実装している。 次に、選択した回避攻撃のセットでこれらのモデルを攻撃します。 これらの敵攻撃を検知するために、我々は複数の移動学習に基づく敵検知器を設計、実装する。
  論文  参考訳（メタデータ） (2022-10-27T18:02:58Z)
• Context-Aware Transfer Attacks for Object Detection [51.65308857232767]
  本稿では,オブジェクト検出のためのコンテキスト認識攻撃を新たに生成する手法を提案する。 オブジェクトとその相対的な位置と大きさの共起をコンテキスト情報として利用することにより、ターゲットの誤分類攻撃をうまく生成できることを示す。
  論文  参考訳（メタデータ） (2021-12-06T18:26:39Z)
• ADC: Adversarial attacks against object Detection that evade Context consistency checks [55.8459119462263]
  文脈整合性チェックさえも、適切に構築された敵の例に対して脆弱であることを示す。 このような防御を覆す実例を生成するための適応型フレームワークを提案する。 我々の結果は、コンテキストを堅牢にモデル化し、一貫性をチェックする方法はまだ未解決の問題であることを示している。
  論文  参考訳（メタデータ） (2021-10-24T00:25:09Z)
• Transferable Adversarial Examples for Anchor Free Object Detection [44.7397139463144]
  我々は、アンカーフリー物体検出器に対する最初の対向攻撃を示す。 我々は高レベルなセマンティック情報を活用し、転送可能な敵の例を効率的に生成する。 提案手法は,最先端の性能と転送性を実現する。
  論文  参考訳（メタデータ） (2021-06-03T06:38:15Z)
• Robust and Accurate Object Detection via Adversarial Learning [111.36192453882195]
  この研究は、逆の例を探索することで、物体検出器の微調整段階を補強する。 提案手法は,オブジェクト検出ベンチマークにおいて,最先端のEfficientDetsの性能を+1.1mAP向上させる。
  論文  参考訳（メタデータ） (2021-03-23T19:45:26Z)

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。