論文の概要: Adversarial Patch Attacks on Monocular Depth Estimation Networks

• arxiv url: http://arxiv.org/abs/2010.03072v1
• Date: Tue, 6 Oct 2020 22:56:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-10 08:08:10.053063
• Title: Adversarial Patch Attacks on Monocular Depth Estimation Networks
• Title（参考訳）: 単眼深度推定ネットワークにおける逆パッチ攻撃
• Authors: Koichiro Yamanaka, Ryutaroh Matsumoto, Keita Takahashi, and Toshiaki Fujii
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 7.089737454146505
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Thanks to the excellent learning capability of deep convolutional neural networks (CNN), monocular depth estimation using CNNs has achieved great success in recent years. However, depth estimation from a monocular image alone is essentially an ill-posed problem, and thus, it seems that this approach would have inherent vulnerabilities. To reveal this limitation, we propose a method of adversarial patch attack on monocular depth estimation. More specifically, we generate artificial patterns (adversarial patches) that can fool the target methods into estimating an incorrect depth for the regions where the patterns are placed. Our method can be implemented in the real world by physically placing the printed patterns in real scenes. We also analyze the behavior of monocular depth estimation under attacks by visualizing the activation levels of the intermediate layers and the regions potentially affected by the adversarial attack.
• Abstract（参考訳）: 深層畳み込みニューラルネットワーク(CNN)の優れた学習能力のおかげで、CNNを用いた単眼深度推定は近年大きな成功を収めている。 しかし、単眼画像だけでの深度推定は本質的に不適切な問題であり、このアプローチには固有の脆弱性があると思われる。 この限界を明らかにするために,単眼深度推定における逆パッチ攻撃法を提案する。 より具体的には、ターゲットメソッドを騙してパターンが配置された領域の誤った深さを推定できる人工パターン(敵パッチ)を生成します。 実際のシーンに印刷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。 また,攻撃時の単眼深度推定の挙動を,敵攻撃による可能性のある中間層および領域の活性化レベルを可視化することによって解析した。

関連論文リスト

• SC-DepthV3: Robust Self-supervised Monocular Depth Estimation for Dynamic Scenes [58.89295356901823]
  自己監督型単眼深度推定は静的な場面で顕著な結果を示した。 トレーニングネットワークのマルチビュー整合性の仮定に依存するが、動的オブジェクト領域に違反する。 単一画像の深度を事前に生成するための,外部トレーニング付き単眼深度推定モデルを提案する。 我々のモデルは、高度にダイナミックなシーンのモノクロビデオからトレーニングしても、シャープで正確な深度マップを予測できる。
  論文  参考訳（メタデータ） (2022-11-07T16:17:47Z)
• Image Masking for Robust Self-Supervised Monocular Depth Estimation [12.435468563991174]
  自己教師付き単眼深度推定は3次元シーン理解のための健全なタスクである。 自己教師付き単眼深度推定にマスク付き画像モデリングを適用するMIMDepthを提案する。
  論文  参考訳（メタデータ） (2022-10-05T15:57:53Z)
• SelfTune: Metrically Scaled Monocular Depth Estimation through Self-Supervised Learning [53.78813049373321]
  本稿では,事前学習した教師付き単分子深度ネットワークに対する自己教師付き学習手法を提案する。 本手法は移動ロボットナビゲーションなどの様々な応用に有用であり,多様な環境に適用可能である。
  論文  参考訳（メタデータ） (2022-03-10T12:28:42Z)
• Pseudo Supervised Monocular Depth Estimation with Teacher-Student Network [90.20878165546361]
  疑似監視機構に基づく新しい教師なし深度推定手法を提案する。 これは、教師なしおよび教師なしの単分子深度推定の利点を戦略的に統合する。 実験の結果,提案手法はKITTIベンチマークの最先端性よりも優れていた。
  論文  参考訳（メタデータ） (2021-10-22T01:08:36Z)
• Variational Monocular Depth Estimation for Reliability Prediction [12.951621755732544]
  教師付き学習手法の代替として,単眼深度推定のための自己教師付き学習が広く研究されている。 従来はモデル構造の変更による深度推定の精度向上に成功している。 本稿では, 単眼深度推定のための変分モデルを理論的に定式化し, 推定深度画像の信頼性を推定する。
  論文  参考訳（メタデータ） (2020-11-24T06:23:51Z)
• 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)
• Targeted Adversarial Perturbations for Monocular Depth Prediction [74.61708733460927]
  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。
  論文  参考訳（メタデータ） (2020-06-12T19:29:43Z)
• Monocular Depth Estimators: Vulnerabilities and Attacks [6.821598757786515]
  ニューラルネットワークの最近の進歩は、信頼できる単分子深度推定につながる。 ディープニューラルネットワークは、分類、検出、セグメンテーションといったタスクの敵のサンプルに対して非常に脆弱である。 本稿では,最も最先端な単分子深度推定ネットワークの敵攻撃に対する消滅について検討する。
  論文  参考訳（メタデータ） (2020-05-28T21:25:21Z)
• Adversarial Attacks on Monocular Depth Estimation [27.657287164064687]
  本研究は,単眼深度推定における逆行性攻撃の最初の系統的研究である。 本稿では,まず,深度推定のための異なる攻撃シナリオの分類を定義した。 次に,深度推定の分野の分類にいくつかの最先端攻撃手法を適用した。
  論文  参考訳（メタデータ） (2020-03-23T15:04:30Z)

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。