論文の概要: On Robustness of Lane Detection Models to Physical-World Adversarial
Attacks in Autonomous Driving
- arxiv url: http://arxiv.org/abs/2107.02488v1
- Date: Tue, 6 Jul 2021 09:04:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-07 13:39:23.189393
- Title: On Robustness of Lane Detection Models to Physical-World Adversarial
Attacks in Autonomous Driving
- Title（参考訳）: 自動走行における車線検出モデルの物理世界対応攻撃に対するロバスト性について
- Authors: Takami Sato and Qi Alfred Chen
- Abstract要約: 2017年のTuSimple Lane Detection Challengeの後、その精度とF1スコアに基づく評価は、車線検出手法の性能を測定するデファクトスタンダードとなっている。
本研究は,自動車走行における物理界の敵対的攻撃下での最先端車線検出手法の堅牢性を評価するための,最初の大規模実験研究である。
- 参考スコア（独自算出の注目度）: 12.412448947321828
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: After the 2017 TuSimple Lane Detection Challenge, its evaluation based on
accuracy and F1 score has become the de facto standard to measure the
performance of lane detection methods. In this work, we conduct the first
large-scale empirical study to evaluate the robustness of state-of-the-art lane
detection methods under physical-world adversarial attacks in autonomous
driving. We evaluate 4 major types of lane detection approaches with the
conventional evaluation and end-to-end evaluation in autonomous driving
scenarios and then discuss the security proprieties of each lane detection
model. We demonstrate that the conventional evaluation fails to reflect the
robustness in end-to-end autonomous driving scenarios. Our results show that
the most robust model on the conventional metrics is the least robust in the
end-to-end evaluation. Although the competition dataset and its metrics have
played a substantial role in developing performant lane detection methods along
with the rapid development of deep neural networks, the conventional evaluation
is becoming obsolete and the gap between the metrics and practicality is
critical. We hope that our study will help the community make further progress
in building a more comprehensive framework to evaluate lane detection models.
- Abstract（参考訳）: 2017年のTuSimple Lane Detection Challengeの後、その精度とF1スコアに基づく評価は、車線検出手法の性能を測定するデファクトスタンダードとなっている。
本研究では,自動運転における実世界の対向攻撃における最先端レーン検出手法のロバスト性を評価するために,最初の大規模実験を行った。
自動走行シナリオにおける従来の評価とエンドツーエンド評価を用いて4種類の車線検出手法を評価し,各車線検出モデルのセキュリティ特性について検討した。
従来の評価は、エンドツーエンドの自動運転シナリオの頑健さを反映しないことを示す。
その結果,実測値に対する最もロバストなモデルは,エンドツーエンド評価において最もロバストではないことがわかった。
競争データセットとそのメトリクスは、ディープニューラルネットワークの急速な発展とともに、高性能レーン検出法の開発において大きな役割を果たしてきたが、従来の評価は時代遅れとなり、メトリクスと実用性のギャップが重要になっている。
我々は,車線検出モデルを評価するためのより包括的なフレームワークの構築において,コミュニティがさらなる進展を期待する。
関連論文リスト
- Exploring the Causality of End-to-End Autonomous Driving [57.631400236930375]
本稿では,エンドツーエンド自動運転の因果関係を探究し,分析するための包括的アプローチを提案する。
私たちの研究は、エンドツーエンドの自動運転の謎を初めて明らかにし、ブラックボックスを白い箱に変えた。
論文 参考訳（メタデータ） (2024-07-09T04:56:11Z) - Evaluating Roadside Perception for Autonomous Vehicles: Insights from
Field Testing [7.755003755937953]
本稿では,道路側認識システムの性能評価を目的とした総合評価手法を提案する。
本手法は,実世界の実地試験を基礎とした計測技術,計量選択,実験的試行設計を含む。
本研究の成果は,業界標準ベンチマークや評価手法の開発に資することを目的としている。
論文 参考訳（メタデータ） (2024-01-22T22:47:02Z) - DRUformer: Enhancing the driving scene Important object detection with
driving relationship self-understanding [50.81809690183755]
交通事故はしばしば致命傷を負い、2023年まで5000万人以上の死者を出した。
従来の研究は、主に個々の参加者の重要性を評価し、それらを独立した存在として扱うものであった。
本稿では、重要な物体検出タスクを強化するために、運転シーン関連自己理解変換器(DRUformer)を紹介する。
論文 参考訳（メタデータ） (2023-11-11T07:26:47Z) - From Adversarial Arms Race to Model-centric Evaluation: Motivating a
Unified Automatic Robustness Evaluation Framework [91.94389491920309]
テキストの敵対攻撃は、セマンティック保存されているが、入力に誤解を招く摂動を加えることでモデルの弱点を発見することができる。
既存のロバストネス評価の実践は、包括的評価、非現実的評価プロトコル、無効な対人サンプルの問題を示す可能性がある。
我々は、敵攻撃の利点を活用するために、モデル中心の評価にシフトする統合された自動ロバストネス評価フレームワークを構築した。
論文 参考訳（メタデータ） (2023-05-29T14:55:20Z) - Unsupervised Self-Driving Attention Prediction via Uncertainty Mining
and Knowledge Embedding [51.8579160500354]
本研究では、不確実性モデリングと知識統合の駆動による自動運転の注意を予測できる教師なし手法を提案する。
結果は、完全に教師された最先端のアプローチと比較して、同等またはさらに印象的なパフォーマンスを示している。
論文 参考訳（メタデータ） (2023-03-17T00:28:33Z) - FBLNet: FeedBack Loop Network for Driver Attention Prediction [75.83518507463226]
非客観的運転経験はモデル化が難しい。
本稿では,運転経験蓄積過程をモデル化するFeedBack Loop Network (FBLNet)を提案する。
インクリメンタルな知識の指導のもと、私たちのモデルは入力画像から抽出されたCNN特徴とトランスフォーマー特徴を融合し、ドライバーの注意を予測します。
論文 参考訳（メタデータ） (2022-12-05T08:25:09Z) - Is my Driver Observation Model Overconfident? Input-guided Calibration
Networks for Reliable and Interpretable Confidence Estimates [23.449073032842076]
運転観察モデルは完璧な条件下で展開されることは滅多にない。
生のニューラルネットワークベースのアプローチは、予測品質を大幅に過大評価する傾向がある。
本稿では,CARing(Callibrated Action Recognition with Input Guidance)という,ビデオ表現による信頼度向上学習のためのニューラルネットワークを活用した新しいアプローチを提案する。
論文 参考訳（メタデータ） (2022-04-10T12:43:58Z) - Towards Driving-Oriented Metric for Lane Detection Models [19.81163190104571]
我々は、車線検出のための2つの新しい駆動指向メトリクスを設計する:エンド・ツー・エンド横方向偏差距離(E2E-LD)とフレームごとの擬似横方向偏差距離(PSLD)。
提案手法の有効性を評価するため,TuSimpleデータセットと新たに構築したComma2k19-LDの4種類のレーン検出手法を用いて大規模実験を行った。
論文 参考訳（メタデータ） (2022-03-31T07:24:44Z) - Evaluating Adversarial Attacks on Driving Safety in Vision-Based
Autonomous Vehicles [21.894836150974093]
近年、多くのディープラーニングモデルが自動運転に採用されている。
近年の研究では、敵対的攻撃がディープラーニングに基づく3次元物体検出モデルの検出精度を著しく低下させることが示されている。
論文 参考訳（メタデータ） (2021-08-06T04:52:09Z) - A Multi-Layered Approach for Measuring the Simulation-to-Reality Gap of
Radar Perception for Autonomous Driving [0.0]
仮想テストに頼るためには、採用されているセンサーモデルを検証する必要がある。
レーダ知覚のこのシミュレーションと現実のギャップを測定するための音響手法は存在しない。
提案手法の有効性を,詳細なセンサモデルによる評価により検証した。
論文 参考訳（メタデータ） (2021-06-15T18:51:39Z) - Can Autonomous Vehicles Identify, Recover From, and Adapt to
Distribution Shifts? [104.04999499189402]
トレーニング外の配布(OOD)シナリオは、デプロイ時にエージェントを学ぶ上で一般的な課題である。
インプロバスト模倣計画(RIP)と呼ばれる不確実性を考慮した計画手法を提案する。
提案手法は,OODシーンにおける過信および破滅的な外挿を低減し,分布変化を検知し,回復することができる。
分散シフトを伴うタスク群に対する駆動エージェントのロバスト性を評価するために,自動走行車ノベルシーンベンチマークであるtexttCARNOVEL を導入する。
論文 参考訳（メタデータ） (2020-06-26T11:07:32Z)
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。