論文の概要: Resilience of Autonomous Vehicle Object Category Detection to Universal Adversarial Perturbations

• arxiv url: http://arxiv.org/abs/2107.04749v1
• Date: Sat, 10 Jul 2021 03:40:25 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-14 09:15:08.016830
• Title: Resilience of Autonomous Vehicle Object Category Detection to Universal Adversarial Perturbations
• Title（参考訳）: 対向的摂動に対する自律走行物体カテゴリー検出のレジリエンス
• Authors: Mohammad Nayeem Teli and Seungwon Oh
• Abstract要約: クラスレベルでの物体検出に対する普遍摂動の影響を評価する。 我々は、人、車、交通信号、トラック、停止標識、交通信号の5つのカテゴリの画像に、Faster-RCNNオブジェクト検出器を使用します。 我々の結果は、人、車、信号機、トラック、および停止標識が、(少なくとも)普遍的な摂動に対して、その順序で(少なくとも)回復可能であることを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Due to the vulnerability of deep neural networks to adversarial examples, numerous works on adversarial attacks and defenses have been burgeoning over the past several years. However, there seem to be some conventional views regarding adversarial attacks and object detection approaches that most researchers take for granted. In this work, we bring a fresh perspective on those procedures by evaluating the impact of universal perturbations on object detection at a class-level. We apply it to a carefully curated data set related to autonomous driving. We use Faster-RCNN object detector on images of five different categories: person, car, truck, stop sign and traffic light from the COCO data set, while carefully perturbing the images using Universal Dense Object Suppression algorithm. Our results indicate that person, car, traffic light, truck and stop sign are resilient in that order (most to least) to universal perturbations. To the best of our knowledge, this is the first time such a ranking has been established which is significant for the security of the data sets pertaining to autonomous vehicles and object detection in general.
• Abstract（参考訳）: 敵対的な事例に対するディープニューラルネットワークの脆弱性のため、過去数年間、敵の攻撃と防御に関する多くの研究が急増している。 しかし、ほとんどの研究者が当然と捉えている敵の攻撃や物体検出のアプローチについては、従来の見方があるようだ。 本研究では,クラスレベルでの物体検出に対する普遍摂動の影響を評価することによって,これらの手順に対する新たな視点を提供する。 自律運転に関する注意深く計算されたデータセットに適用する。 我々は、人、車、トラック、停止標識、COCOデータセットからの交通信号の5つのカテゴリの画像に対して、Faster-RCNNオブジェクト検出器を使用し、Universal Dense Object Suppressionアルゴリズムを用いて画像を注意深く摂動する。 その結果、人、車、信号機、トラック、停止標識は、その順序で(少なくとも)普遍的な摂動に対して回復力があることが示された。 私たちの知る限りでは、このようなランキングが確立されたのはこれが初めてで、自動運転車に関するデータセットのセキュリティとオブジェクト検出全般において重要な意味を持つ。

関連論文リスト

• TPatch: A Triggered Physical Adversarial Patch [19.768494127237393]
  音響信号によって引き起こされる物理的対向パッチであるTPatchを提案する。 運転者の疑念を避けるため,コンテンツベースカモフラージュ法と攻撃強化法を提案する。
  論文  参考訳（メタデータ） (2023-12-30T06:06:01Z)
• CODA: A Real-World Road Corner Case Dataset for Object Detection in Autonomous Driving [117.87070488537334]
  我々は、ビジョンベース検出器のこの重要な問題を露呈する、CODAという挑戦的なデータセットを導入する。 大規模自動運転データセットで訓練された標準物体検出器の性能は、mARの12.8%以下に著しく低下した。 我々は最先端のオープンワールドオブジェクト検出器を実験し、CODAの新しいオブジェクトを確実に識別できないことを発見した。
  論文  参考訳（メタデータ） (2022-03-15T08:32:56Z)
• Adversarial Attack and Defense of YOLO Detectors in Autonomous Driving Scenarios [3.236217153362305]
  本稿では,自律走行車における視覚的検出の客観性に着目した効果的な攻撃戦略を提案する。 実験の結果、対象のアスペクトを標的とした攻撃は45.17%と43.50%が、分類や局所化の損失から生じた攻撃よりも効果的であることが示されている。 提案手法は, KITTI と COCO_traffic でそれぞれ最大21% と 12% mAP の目標指向攻撃に対する検出器の堅牢性を向上させることができる。
  論文  参考訳（メタデータ） (2022-02-10T00:47:36Z)
• Context-Aware Transfer Attacks for Object Detection [51.65308857232767]
  本稿では,オブジェクト検出のためのコンテキスト認識攻撃を新たに生成する手法を提案する。 オブジェクトとその相対的な位置と大きさの共起をコンテキスト情報として利用することにより、ターゲットの誤分類攻撃をうまく生成できることを示す。
  論文  参考訳（メタデータ） (2021-12-06T18:26:39Z)
• Identification of Driver Phone Usage Violations via State-of-the-Art Object Detection with Tracking [8.147652597876862]
  道路沿いのカメラで人間の介入を必要とせずに運転者用電話機の使用状況を把握できる、カスタムトレーニングされた最先端物体検出器を提案する。 提案手法はウインドスクリーンのグラアに起因する問題にも対処し、これを改善するために必要なステップを紹介している。
  論文  参考訳（メタデータ） (2021-09-05T16:37:03Z)
• Robust and Accurate Object Detection via Adversarial Learning [111.36192453882195]
  この研究は、逆の例を探索することで、物体検出器の微調整段階を補強する。 提案手法は,オブジェクト検出ベンチマークにおいて,最先端のEfficientDetsの性能を+1.1mAP向上させる。
  論文  参考訳（メタデータ） (2021-03-23T19:45:26Z)
• Detecting Invisible People [58.49425715635312]
  我々は,追跡ベンチマークを再利用し,目立たない物体を検出するための新しい指標を提案する。 私たちは、現在の検出および追跡システムがこのタスクで劇的に悪化することを実証します。 第2に,最先端の単眼深度推定ネットワークによる観測結果を用いて,3次元で明示的に推論する動的モデルを構築した。
  論文  参考訳（メタデータ） (2020-12-15T16:54:45Z)
• Perceiving Traffic from Aerial Images [86.994032967469]
  本研究では,空中画像中の物体を検出するために,バタフライ検出器と呼ばれる物体検出手法を提案する。 UAVDT(UAVDT)とVisDrone 2019(VisDrone 2019)の2つのUAVデータセット上でButterfly Detectorを評価し、従来の最先端の手法よりも高速に動作し、かつリアルタイムに動作可能であることを示す。
  論文  参考訳（メタデータ） (2020-09-16T11:37:43Z)
• Synthesizing Unrestricted False Positive Adversarial Objects Using Generative Models [0.0]
  逆の例は、ニューラルネットワークによって誤って分類されたデータポイントである。 最近の研究は、制限のない敵の例の概念を導入した。 対象検出の非制限逆例を生成する新たな攻撃カテゴリを提案する。
  論文  参考訳（メタデータ） (2020-05-19T08:58:58Z)
• Physically Realizable Adversarial Examples for LiDAR Object Detection [72.0017682322147]
  本稿では,LiDAR検出器を騙すために,汎用な3次元対向物体を生成する手法を提案する。 特に,LiDAR検出器から車両を完全に隠蔽するために,車両の屋根上に対向物体を配置し,その成功率は80%であることを示した。 これは、限られたトレーニングデータから見知らぬ条件下での、より安全な自動運転への一歩だ。
  論文  参考訳（メタデータ） (2020-04-01T16:11:04Z)

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。