論文の概要: DPAttack: Diffused Patch Attacks against Universal Object Detection

• arxiv url: http://arxiv.org/abs/2010.11679v1
• Date: Fri, 16 Oct 2020 04:48:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-06 20:03:20.282207
• Title: DPAttack: Diffused Patch Attacks against Universal Object Detection
• Title（参考訳）: DPAttack: ユニバーサルオブジェクト検出に対する拡散パッチ攻撃
• Authors: Shudeng Wu, Tao Dai, Shu-Tao Xia
• Abstract要約: 対象検出に対する敵対攻撃は、全画素攻撃とパッチ攻撃の2つのカテゴリに分けられる。 小惑星や格子状形状の拡散パッチを用いて物体検出装置を騙すための拡散パッチ攻撃(textbfDPAttack)を提案する。 実験の結果、我々のDPAttackは拡散パッチでほとんどの物体検出器を騙すことに成功した。
• 参考スコア（独自算出の注目度）: 66.026630370248
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, deep neural networks (DNNs) have been widely and successfully used in Object Detection, e.g. Faster RCNN, YOLO, CenterNet. However, recent studies have shown that DNNs are vulnerable to adversarial attacks. Adversarial attacks against object detection can be divided into two categories, whole-pixel attacks and patch attacks. While these attacks add perturbations to a large number of pixels in images, we proposed a diffused patch attack (\textbf{DPAttack}) to successfully fool object detectors by diffused patches of asteroid-shaped or grid-shape, which only change a small number of pixels. Experiments show that our DPAttack can successfully fool most object detectors with diffused patches and we get the second place in the Alibaba Tianchi competition: Alibaba-Tsinghua Adversarial Challenge on Object Detection. Our code can be obtained from https://github.com/Wu-Shudeng/DPAttack.
• Abstract（参考訳）: 近年、ディープニューラルネットワーク(DNN)は、オブジェクト検出(例えば、より高速なRCNN、YOLO、CenterNet)で広く使われ、成功している。 しかし、最近の研究では、DNNは敵の攻撃に弱いことが示されている。 対象検出に対する敵対攻撃は、全画素攻撃とパッチ攻撃の2つのカテゴリに分けられる。 これらの攻撃は画像中の多数のピクセルに摂動を与えるが、少数のピクセルしか変化しない小惑星や格子状形状の拡散パッチによって対象検出器を騙すための拡散パッチ攻撃(\textbf{DPAttack})を提案した。 実験によると、私たちのDPAttackは、拡散したパッチでほとんどのオブジェクト検出器を騙すことができ、Alibaba Tianchiコンペで2位になった。 私たちのコードはhttps://github.com/Wu-Shudeng/DPAttackから取得できます。

関連論文リスト

• I Don't Know You, But I Can Catch You: Real-Time Defense against Diverse Adversarial Patches for Object Detectors [12.790316371521477]
  我々は,高い一般化,堅牢性,効率性を備えた,敵パッチ検出の革新的なモデルである textitNutNet を提案する。 本手法は, HA と AA の既存手法よりも 2.4 倍, 4.7 倍高い平均防御性能を示す。
  論文  参考訳（メタデータ） (2024-06-12T09:16:19Z)
• Threatening Patch Attacks on Object Detection in Optical Remote Sensing Images [55.09446477517365]
  自然画像における物体検出における高度なパッチアタック(PA)は、ディープニューラルネットワークに基づく手法における大きな安全性の脆弱性を指摘した。 我々は,TPAと呼ばれる視覚的品質の低下を伴わない,より危険度の高いPAを提案する。 我々の知る限りでは、これがO-RSIにおけるオブジェクト検出におけるPAの研究の最初の試みであり、この研究が読者にこのトピックの研究に興味を持たせることを願っている。
  論文  参考訳（メタデータ） (2023-02-13T02:35:49Z)
• ObjectSeeker: Certifiably Robust Object Detection against Patch Hiding Attacks via Patch-agnostic Masking [95.6347501381882]
  物体探知機は物理的世界のパッチ隠蔽攻撃に弱いことが判明した。 我々は,堅牢なオブジェクト検出器を構築するためのフレームワークとしてObjectSeekerを提案する。
  論文  参考訳（メタデータ） (2022-02-03T19:34:25Z)
• Parallel Rectangle Flip Attack: A Query-based Black-box Attack against Object Detection [89.08832589750003]
  本稿では,攻撃領域近傍の準最適検出を回避するために,ランダム探索による並列矩形フリップ攻撃(PRFA)を提案する。 提案手法は, アンカーベースやアンカーフリーなど, 様々な人気物体検出装置を効果的かつ効率的に攻撃し, 転送可能な対向例を生成する。
  論文  参考訳（メタデータ） (2022-01-22T06:00:17Z)
• Segment and Complete: Defending Object Detectors against Adversarial Patch Attacks with Robust Patch Detection [142.24869736769432]
  敵のパッチ攻撃は最先端の物体検出器に深刻な脅威をもたらす。 パッチ攻撃に対して物体検出器を防御するフレームワークであるSegment and Complete Defense (SAC)を提案する。 SACは、物理的パッチ攻撃の標的攻撃成功率を著しく低減できることを示す。
  論文  参考訳（メタデータ） (2021-12-08T19:18:48Z)
• RPATTACK: Refined Patch Attack on General Object Detectors [31.28929190510979]
  汎用物体検出器を攻撃する新しいパッチベースの手法を提案する。 私たちの RPAttack は、Yolo v4 と Faster R-CNN の両方で、驚異的なミス検出率 100% を達成できます。
  論文  参考訳（メタデータ） (2021-03-23T11:45:41Z)
• Sparse Adversarial Attack to Object Detection [0.8702432681310401]
  本研究では, 対人攻撃(Sparse Adversarial Attack, SAA)を提案する。 YOLOv4とFasterRCNNの実験結果から,本手法の有効性が明らかになった。
  論文  参考訳（メタデータ） (2020-12-26T07:52:28Z)
• Object Hider: Adversarial Patch Attack Against Object Detectors [10.920696684006488]
  本稿では,現在最先端の物体検出モデルに対する敵攻撃に着目した。 現実的な代替手段として、攻撃には敵パッチを使用します。 実験の結果,提案手法は高い有効性,伝達性,汎用性を示した。
  論文  参考訳（メタデータ） (2020-10-28T13:34:16Z)
• GreedyFool: Distortion-Aware Sparse Adversarial Attack [138.55076781355206]
  現代のディープニューラルネットワーク(DNN)は、敵のサンプルに対して脆弱である。 スパース逆数サンプルは、数ピクセルだけを摂動させることでターゲットモデルを騙すことができる。 GreedyFoolと呼ばれる2段階の歪みを考慮したグリーディ法を提案する。
  論文  参考訳（メタデータ） (2020-10-26T17:59:07Z)

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。