論文の概要: Adversarial Rain Attack and Defensive Deraining for DNN Perception
- arxiv url: http://arxiv.org/abs/2009.09205v2
- Date: Thu, 3 Feb 2022 06:32:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-16 21:36:13.804679
- Title: Adversarial Rain Attack and Defensive Deraining for DNN Perception
- Title（参考訳）: 逆降雨とDNN知覚の防御的評価
- Authors: Liming Zhai, Felix Juefei-Xu, Qing Guo, Xiaofei Xie, Lei Ma, Wei Feng,
Shengchao Qin, Yang Liu
- Abstract要約: 我々は,雨天画像合成と敵攻撃という,全く異なる2つの研究を組み合わせることを提案する。
我々はまず,DNNの誘導により,様々な降雨状況をシミュレートした逆降雨攻撃を提示する。
特に,カメラ露光過程に応じて降雨ストリークを合成する因子対応降雨発生装置を設計する。
また, 逆降雨層を混合した逆降雨層を設計する, 防御的なデライン化戦略も提示する。
- 参考スコア（独自算出の注目度）: 29.49757380041375
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Rain often poses inevitable threats to deep neural network (DNN) based
perception systems, and a comprehensive investigation of the potential risks of
the rain to DNNs is of great importance. However, it is rather difficult to
collect or synthesize rainy images that can represent all rain situations that
would possibly occur in the real world. To this end, in this paper, we start
from a new perspective and propose to combine two totally different studies,
i.e., rainy image synthesis and adversarial attack. We first present an
adversarial rain attack, with which we could simulate various rain situations
with the guidance of deployed DNNs and reveal the potential threat factors that
can be brought by rain. In particular, we design a factor-aware rain generation
that synthesizes rain streaks according to the camera exposure process and
models the learnable rain factors for adversarial attack. With this generator,
we perform the adversarial rain attack against the image classification and
object detection. To defend the DNNs from the negative rain effect, we also
present a defensive deraining strategy, for which we design an adversarial rain
augmentation that uses mixed adversarial rain layers to enhance deraining
models for downstream DNN perception. Our large-scale evaluation on various
datasets demonstrates that our synthesized rainy images with realistic
appearances not only exhibit strong adversarial capability against DNNs, but
also boost the deraining models for defensive purposes, building the foundation
for further rain-robust perception studies.
- Abstract（参考訳）: 雨はしばしばディープニューラルネットワーク(DNN)ベースの知覚システムに避けられない脅威を生じさせ、DNNに対する雨の潜在的なリスクを包括的に調査することが非常に重要である。
しかし、実際の世界で起こる可能性のある雨の状況をすべて表現できる雨の画像を収集または合成することは比較的困難である。
そこで本稿では,新しい視点から始めて,雨画像合成と逆行攻撃という,まったく異なる2つの研究を組み合わせることを提案する。
まず,DNNの誘導により各種の降雨状況をシミュレートし,降雨によって引き起こされる潜在的な危険因子を明らかにする。
特に,カメラの露出過程に応じて雨ストレークを合成し,学習可能な雨要因をモデル化し,逆襲を行う因子を認識できる雨生成をデザインする。
本生成装置では,画像分類と物体検出に対して逆降雨攻撃を行う。
また,DNNを負の雨害から守るために,逆降雨層を混合した逆降雨層を設計し,下流DNN知覚のためのデラインモデルを強化する防衛的デライン化戦略を提案する。
様々なデータセットを大規模に評価した結果,dnnに対して強い敵意を呈するだけでなく,防御目的でのデレーニングモデルを強化し,さらなる雨乱認知研究の基礎を築いた。
関連論文リスト
- TRG-Net: An Interpretable and Controllable Rain Generator [61.2760968459789]
本研究は,降雨の基盤となる物理的発生機構を十分に考慮した,新しい深層学習型降雨発生器を提案する。
その意義は、発電機が予想される雨をシミュレートするために雨の本質的な要素を精巧に設計するだけでなく、複雑で多様な雨のイメージに微妙に適応することにある。
提案した雨発生器が発生した雨は, 高品質であるだけでなく, 排水作業や下流作業にも有効であることを示す。
論文 参考訳（メタデータ） (2024-03-15T03:27:39Z) - Why current rain denoising models fail on CycleGAN created rain images
in autonomous driving [1.4831974871130875]
GAN(Generative Adversarial Network)を用いた一組のクリアウェザー条件画像に雨を人工的に付加する
この人工的な雨画像の生成は、10件中7件で、人間の被験者は生成された雨画像が本物だと信じていた。
第2のステップでは、このペア付きグッド/バッド気象画像データを使用して、主にCNN(Convolutional Neural Network)とVision Transformer(Vision Transformer)をベースとした2つの降雨モデルをトレーニングする。
論文 参考訳（メタデータ） (2023-05-22T12:42:32Z) - Adversarial Attack with Raindrops [7.361748886445515]
ディープニューラルネットワーク(DNN)は、敵の例に弱いことが知られているが、現実のシナリオにはほとんど存在しない。
本稿では,雨滴による逆襲事例について検討し,DNNに対する逆襲攻撃として機能する自然現象が多数存在することを示す。
本稿では,自然雨滴を模擬するGAN(Generative Adversarial Network)技術を用いて,逆降雨滴を生成する手法を提案する。
論文 参考訳（メタデータ） (2023-02-28T03:01:58Z) - Not Just Streaks: Towards Ground Truth for Single Image Deraining [42.15398478201746]
実世界の雨天とクリーンなイメージペアの大規模データセットを提案する。
本稿では,雨天と清潔な画像の間の雨害損失を最小限に抑え,基盤となるシーンを再構築するディープニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2022-06-22T00:10:06Z) - Towards Robust Rain Removal Against Adversarial Attacks: A Comprehensive
Benchmark Analysis and Beyond [85.06231315901505]
雨の除去は、画像やビデオから雨の流れを取り除き、雨による破壊的な影響を減らすことを目的としている。
本稿では, 深層学習に基づく雨害防止手法の強靭性に関する総合的な研究を初めて行おうとする。
論文 参考訳（メタデータ） (2022-03-31T10:22:24Z) - Deep Single Image Deraining using An Asymetric Cycle Generative and
Adversarial Framework [16.59494337699748]
単体画像デライニングのための新しいACGF(Asymetric Cycle Generative and Adrial framework)を提案する。
ACGFは合成雨像と実際の雨像の両方を訓練し、同時に雨の流れと霧の特徴を捉えている。
基準降雨量と降雨量のデータセットによる実験では、ACGFは最先端のデラライニング法よりも優れていた。
論文 参考訳（メタデータ） (2022-02-19T16:14:10Z) - UnfairGAN: An Enhanced Generative Adversarial Network for Raindrop
Removal from A Single Image [8.642603456626391]
UnfairGANは、エッジや雨量推定といった事前の高レベル情報を活用することで、デライニング性能を向上させることができる、改良された生成的敵ネットワークである。
提案手法は, 定量的な計測値と視覚的品質に関する降雨量について, 従来の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-10-11T18:02:43Z) - RCDNet: An Interpretable Rain Convolutional Dictionary Network for
Single Image Deraining [49.99207211126791]
雨畳み込み辞書ネットワーク(RCDNet)と呼ばれる,新しい深層アーキテクチャを具体的に構築する。
RCDNetは雨害の本質的な先行を埋め込んでおり、明確な解釈性を持っている。
このような解釈可能なネットワークをエンドツーエンドにトレーニングすることにより、関連するすべてのレインカーネルと近位演算子を自動的に抽出することができる。
論文 参考訳（メタデータ） (2021-07-14T16:08:11Z) - Dual Attention-in-Attention Model for Joint Rain Streak and Raindrop
Removal [103.4067418083549]
降雨量と降雨量の両方を同時に除去する2つのDAMを含むDual Attention-in-Attention Model (DAiAM)を提案する。
提案手法は,降雨量と降雨量とを同時に除去できるだけでなく,両タスクの最先端性能も達成できる。
論文 参考訳（メタデータ） (2021-03-12T03:00:33Z) - From Rain Generation to Rain Removal [67.71728610434698]
雨層を生成物としてパラメータ化した雨画像のためのベイズ生成モデルを構築した。
降雨画像の統計的分布を推定するために,変分推論の枠組みを用いる。
総合的な実験により,提案モデルが複雑な降雨分布を忠実に抽出できることが確認された。
論文 参考訳（メタデータ） (2020-08-08T18:56:51Z) - Structural Residual Learning for Single Image Rain Removal [48.87977695398587]
本研究は,本質的な降雨構造を有するネットワークの出力残余を強制することで,新たなネットワークアーキテクチャを提案する。
このような構造的残差設定は、ネットワークによって抽出された雨層が、一般的な雨害の以前の知識に微妙に従うことを保証している。
論文 参考訳（メタデータ） (2020-05-19T05:52:13Z)
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。