論文の概要: Understanding the Robustness of Skeleton-based Action Recognition under Adversarial Attack

• arxiv url: http://arxiv.org/abs/2103.05347v1
• Date: Tue, 9 Mar 2021 10:53:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-10 14:57:42.926472
• Title: Understanding the Robustness of Skeleton-based Action Recognition under Adversarial Attack
• Title（参考訳）: 対向攻撃におけるスケルトンベース行動認識のロバスト性理解
• Authors: He Wang, Feixiang He, Zhexi Peng, Yong-Liang Yang, Tianjia Shao, Kun Zhou, David Hogg
• Abstract要約: 3次元骨格運動に依存する行動認識装置を攻撃する新しい方法を提案する。 本手法は,攻撃の不可避性を保証する革新的な知覚損失を含む。 提案手法は, 時系列データの一種である3次元骨格運動に対する敵意攻撃が, 従来の敵意攻撃問題とは大きく異なることを示す。
• 参考スコア（独自算出の注目度）: 29.850716475485715
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Action recognition has been heavily employed in many applications such as autonomous vehicles, surveillance, etc, where its robustness is a primary concern. In this paper, we examine the robustness of state-of-the-art action recognizers against adversarial attack, which has been rarely investigated so far. To this end, we propose a new method to attack action recognizers that rely on 3D skeletal motion. Our method involves an innovative perceptual loss that ensures the imperceptibility of the attack. Empirical studies demonstrate that our method is effective in both white-box and black-box scenarios. Its generalizability is evidenced on a variety of action recognizers and datasets. Its versatility is shown in different attacking strategies. Its deceitfulness is proven in extensive perceptual studies. Our method shows that adversarial attack on 3D skeletal motions, one type of time-series data, is significantly different from traditional adversarial attack problems. Its success raises serious concern on the robustness of action recognizers and provides insights on potential improvements.
• Abstract（参考訳）: アクション認識は、その堅牢性が主な関心事である自動運転車、監視など、多くのアプリケーションに大きく採用されています。 本稿では,これまでまれに調査されていなかった敵対的攻撃に対する最先端の行動認識器の堅牢性について検討する。 そこで本研究では,3次元骨格運動に依存する行動認識を攻撃する新しい手法を提案する。 本手法は,攻撃の不可避性を保証する革新的な知覚損失を含む。 実験により,本手法はホワイトボックスとブラックボックスの両方のシナリオで有効であることが示された。 その一般化性は、様々なアクション認識とデータセットで証明されている。 その汎用性は異なる攻撃戦略で示される。 その偽りは広範な知覚研究で証明されている。 提案手法は, 時系列データの一種である3次元骨格運動に対する敵意攻撃が, 従来の敵意攻撃問題とは大きく異なることを示す。 その成功は、行動認識者の堅牢性への深刻な懸念を引き起こし、潜在的な改善に関する洞察を提供する。

関連論文リスト

• Investigating Human-Identifiable Features Hidden in Adversarial Perturbations [54.39726653562144]
  我々の研究では、最大5つの攻撃アルゴリズムを3つのデータセットにわたって探索する。 対人摂動における人間の識別可能な特徴を同定する。 画素レベルのアノテーションを用いて、そのような特徴を抽出し、ターゲットモデルに妥協する能力を実証する。
  論文  参考訳（メタデータ） (2023-09-28T22:31:29Z)
• Understanding the Vulnerability of Skeleton-based Human Activity Recognition via Black-box Attack [53.032801921915436]
  HAR(Human Activity Recognition)は、自動運転車など、幅広い用途に採用されている。 近年,敵対的攻撃に対する脆弱性から,骨格型HAR法の堅牢性に疑問が呈されている。 攻撃者がモデルの入出力しかアクセスできない場合でも、そのような脅威が存在することを示す。 BASARと呼ばれる骨格をベースとしたHARにおいて,最初のブラックボックス攻撃手法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T09:51:28Z)
• RobustSense: Defending Adversarial Attack for Secure Device-Free Human Activity Recognition [37.387265457439476]
  我々は、共通の敵攻撃を防御する新しい学習フレームワーク、RobustSenseを提案する。 本手法は,無線による人間行動認識と人物識別システムに有効である。
  論文  参考訳（メタデータ） (2022-04-04T15:06:03Z)
• Temporal Shuffling for Defending Deep Action Recognition Models against Adversarial Attacks [67.58887471137436]
  本研究では,動作認識モデルに対する対人攻撃に対して,入力ビデオの時間的シャッフルを用いた新しい防御手法を開発した。 我々の知る限りでは、これは3D CNNに基づく映像行動認識モデルのための追加トレーニングなしで防御方法を設計する最初の試みである。
  論文  参考訳（メタデータ） (2021-12-15T06:57:01Z)
• Adversarial Bone Length Attack on Action Recognition [4.9631159466100305]
  本研究では,骨格に基づく行動認識モデルを用いて,敵対的攻撃を行うことができることを示す。 具体的には、骨の長さに摂動を制限し、敵がおよそ30の有効次元を操作できるようにします。
  論文  参考訳（メタデータ） (2021-09-13T09:59:44Z)
• BASAR:Black-box Attack on Skeletal Action Recognition [32.88446909707521]
  スケルトンベースの活動認識装置は、認識者の完全な知識が攻撃者にアクセスできるときに、敵の攻撃に対して脆弱である。 本稿では,そのような脅威がブラックボックスの設定下でも存在することを示す。 BASARを通じて、敵の攻撃は真の脅威であるだけでなく、極めて偽りであることを示す。
  論文  参考訳（メタデータ） (2021-03-09T07:29:35Z)
• Just One Moment: Inconspicuous One Frame Attack on Deep Action Recognition [34.925573731184514]
  本研究では,深層学習に基づく攻撃に対する行動認識手法の脆弱性について検討する。 ビデオクリップの1フレームだけに、目立たない摂動を付加する新たな1フレーム攻撃を提案する。 提案手法は, 人間の観察者に対して, 高い騙し率を示し, ほとんど知覚できない摂動を生じさせる。
  論文  参考訳（メタデータ） (2020-11-30T07:11:56Z)
• Towards Understanding the Adversarial Vulnerability of Skeleton-based Action Recognition [133.35968094967626]
  骨格に基づく行動認識は、動的状況への強い適応性から注目を集めている。 ディープラーニング技術の助けを借りて、かなり進歩し、現在、良識のある環境で約90%の精度を達成している。 異なる対角的環境下での骨格に基づく行動認識の脆弱性に関する研究はいまだ研究されていない。
  論文  参考訳（メタデータ） (2020-05-14T17:12:52Z)
• Temporal Sparse Adversarial Attack on Sequence-based Gait Recognition [56.844587127848854]
  このような攻撃に対して,最先端の歩行認識モデルが脆弱であることを示す。 生成した対向ネットワークに基づくアーキテクチャを用いて、対向的な高品質な歩行シルエットやビデオフレームを意味的に生成する。 実験結果から, フレームの1分の1しか攻撃されない場合, 対象モデルの精度は劇的に低下することがわかった。
  論文  参考訳（メタデータ） (2020-02-22T10:08:42Z)
• Adversarial vs behavioural-based defensive AI with joint, continual and active learning: automated evaluation of robustness to deception, poisoning and concept drift [62.997667081978825]
  人工知能(AI)の最近の進歩は、サイバーセキュリティのための行動分析(UEBA)に新たな能力をもたらした。 本稿では、検出プロセスを改善し、人間の専門知識を効果的に活用することにより、この攻撃を効果的に軽減するソリューションを提案する。
  論文  参考訳（メタデータ） (2020-01-13T13:54:36Z)

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。