論文の概要: Threat of Adversarial Attacks on Deep Learning in Computer Vision: Survey II

• arxiv url: http://arxiv.org/abs/2108.00401v1
• Date: Sun, 1 Aug 2021 08:54:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-03 15:27:18.279049
• Title: Threat of Adversarial Attacks on Deep Learning in Computer Vision: Survey II
• Title（参考訳）: コンピュータビジョンにおけるディープラーニングに対する敵対的攻撃の脅威:調査II
• Authors: Naveed Akhtar, Ajmal Mian, Navid Kardan, Mubarak Shah
• Abstract要約: ディープラーニングは、予測を操作できる敵攻撃に対して脆弱である。 本稿では,ディープラーニングに対する敵対的攻撃におけるコンピュータビジョンコミュニティの貢献を概観する。 この領域では、非専門家に技術的な用語の定義を提供する。
• 参考スコア（独自算出の注目度）: 86.51135909513047
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep Learning (DL) is the most widely used tool in the contemporary field of computer vision. Its ability to accurately solve complex problems is employed in vision research to learn deep neural models for a variety of tasks, including security critical applications. However, it is now known that DL is vulnerable to adversarial attacks that can manipulate its predictions by introducing visually imperceptible perturbations in images and videos. Since the discovery of this phenomenon in 2013~[1], it has attracted significant attention of researchers from multiple sub-fields of machine intelligence. In [2], we reviewed the contributions made by the computer vision community in adversarial attacks on deep learning (and their defenses) until the advent of year 2018. Many of those contributions have inspired new directions in this area, which has matured significantly since witnessing the first generation methods. Hence, as a legacy sequel of [2], this literature review focuses on the advances in this area since 2018. To ensure authenticity, we mainly consider peer-reviewed contributions published in the prestigious sources of computer vision and machine learning research. Besides a comprehensive literature review, the article also provides concise definitions of technical terminologies for non-experts in this domain. Finally, this article discusses challenges and future outlook of this direction based on the literature reviewed herein and [2].
• Abstract（参考訳）: ディープラーニング(Deep Learning, DL)は、コンピュータビジョンにおいて最も広く使われているツールである。 複雑な問題を正確に解く能力は、セキュリティクリティカルなアプリケーションを含む様々なタスクの深いニューラルモデルを学ぶために、視覚研究で採用されている。 しかし、現在、DLは画像やビデオに視覚的に知覚できない摂動を導入することで予測を操作できる敵攻撃に弱いことが知られている。 2013~[1]年にこの現象が発見されて以来、機械知能の複数のサブ分野の研究者が注目している。 [2]では、深層学習(とその防御)に対する敵対的な攻撃において、コンピュータビジョンコミュニティが2018年まで行った貢献をレビューした。 これらの貢献の多くはこの地域の新しい方向性に刺激を与えており、これは初代の方法を見てから著しく成熟している。 したがって、この文献は[2]の遺産として、2018年以降のこの分野の進歩に焦点を当てている。 真正性を確保するために、コンピュータビジョンと機械学習研究の権威ある情報源で公表されたピアレビュードコントリビューションを主に検討する。 この論文は総合的な文献レビューの他に、この分野の非専門家に対する技術的用語の簡潔な定義も提供している。 最後に、本稿でレビューした文献をもとに、この方向性の課題と今後の展望について論じる。

関連論文リスト

• Adversarial Attacks and Defenses on 3D Point Cloud Classification: A Survey [28.21038594191455]
  優れた成果にもかかわらず、ディープラーニングアルゴリズムは敵の攻撃に対して脆弱である。 本稿では,まず,敵攻撃の原理と特徴を紹介し,敵の事例生成手法を要約し,分析する。 また、データ重視およびモデル重視の方法で組織された防衛戦略の概要も提供する。
  論文  参考訳（メタデータ） (2023-07-01T11:46:36Z)
• How Deep Learning Sees the World: A Survey on Adversarial Attacks & Defenses [0.0]
  本稿では、攻撃能力によってグループ化された最新の敵攻撃と、防御戦略によってクラスタ化された現代の防御をコンパイルする。 また、視覚変換器に関する新たな進歩を提示し、敵対的設定の文脈で使用されるデータセットとメトリクスを要約し、異なる攻撃下での最先端の結果を比較し、オープンな問題の特定で終了する。
  論文  参考訳（メタデータ） (2023-05-18T10:33:28Z)
• Hyperbolic Deep Learning in Computer Vision: A Survey [20.811974050049365]
  双曲空間は コンピュータビジョンの学習で 急速に勢いを増しています コンピュータビジョンのための双曲学習に関する現在の文献の分類と詳細な概要を提供する。 我々は,すべてのテーマにおいて双曲学習がどのように実行されるのかを概説し,コンピュータビジョンにおける双曲学習の現在の進歩の恩恵を受ける主要な研究課題について論じる。
  論文  参考訳（メタデータ） (2023-05-11T07:14:23Z)
• VQA and Visual Reasoning: An Overview of Recent Datasets, Methods and Challenges [1.565870461096057]
  この結果、視覚と言語の統合が多くの注目を集めた。 タスクは、深層学習の概念を適切に実証するための方法で作られています。
  論文  参考訳（メタデータ） (2022-12-26T20:56:01Z)
• Physical Adversarial Attack meets Computer Vision: A Decade Survey [55.38113802311365]
  本稿では,身体的敵意攻撃の概要を概観する。 本研究は,身体的敵意攻撃の性能を体系的に評価する第一歩を踏み出した。 提案する評価基準であるhiPAAは6つの視点から構成される。
  論文  参考訳（メタデータ） (2022-09-30T01:59:53Z)
• Deep Learning to See: Towards New Foundations of Computer Vision [88.69805848302266]
  この本はコンピュータビジョンの分野における科学的進歩を批判している。 情報に基づく自然法則の枠組みにおける視覚の研究を提案する。
  論文  参考訳（メタデータ） (2022-06-30T15:20:36Z)
• Deep Learning for Visual Speech Analysis: A Survey [54.53032361204449]
  本稿では,視覚音声分析におけるディープラーニング手法の最近の進歩を概観する。 私たちは、基本的な問題、課題、ベンチマークデータセット、既存のメソッドの分類、最先端のパフォーマンスなど、視覚音声のさまざまな側面をカバーしています。
  論文  参考訳（メタデータ） (2022-05-22T14:44:53Z)
• Deep Learning for Face Anti-Spoofing: A Survey [74.42603610773931]
  対面防止(FAS)は、プレゼンテーションアタック(PA)から顔認識システムを保護する上で重要な役割を担っているため、近年注目を集めている。
  論文  参考訳（メタデータ） (2021-06-28T19:12:00Z)
• Optimism in the Face of Adversity: Understanding and Improving Deep Learning through Adversarial Robustness [63.627760598441796]
  深層学習における対角的強靭性の分野を詳細に検討する。 直感的な対向例と深層ニューラルネットワークの幾何学的関係を強調した。 セキュリティを超えた敵の堅牢性の主な応用について概説する。
  論文  参考訳（メタデータ） (2020-10-19T16:03:46Z)

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。