論文の概要: Adversarial Semantic Contour for Object Detection

• arxiv url: http://arxiv.org/abs/2109.15009v1
• Date: Thu, 30 Sep 2021 11:03:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-01 14:51:43.945082
• Title: Adversarial Semantic Contour for Object Detection
• Title（参考訳）: 物体検出のための逆意味輪郭
• Authors: Yichi Zhang, Zijian Zhu, Xiao Yang and Jun Zhu
• Abstract要約: 本稿では,オブジェクトの輪郭によって案内されるASC(Adversarial Semantic Contour)の新たな手法を提案する。 提案するASCは,SSD512,Yolov4,Mask RCNN,Faster RCNNなど,主流のオブジェクト検出器を誤認することができる。
• 参考スコア（独自算出の注目度）: 36.641649442633984
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern object detectors are vulnerable to adversarial examples, which brings potential risks to numerous applications, e.g., self-driving car. Among attacks regularized by $\ell_p$ norm, $\ell_0$-attack aims to modify as few pixels as possible. Nevertheless, the problem is nontrivial since it generally requires to optimize the shape along with the texture simultaneously, which is an NP-hard problem. To address this issue, we propose a novel method of Adversarial Semantic Contour (ASC) guided by object contour as prior. With this prior, we reduce the searching space to accelerate the $\ell_0$ optimization, and also introduce more semantic information which should affect the detectors more. Based on the contour, we optimize the selection of modified pixels via sampling and their colors with gradient descent alternately. Extensive experiments demonstrate that our proposed ASC outperforms the most commonly manually designed patterns (e.g., square patches and grids) on task of disappearing. By modifying no more than 5\% and 3.5\% of the object area respectively, our proposed ASC can successfully mislead the mainstream object detectors including the SSD512, Yolov4, Mask RCNN, Faster RCNN, etc.
• Abstract（参考訳）: 現代の物体検出器は敵の例に弱いため、例えば自動運転車のような多くのアプリケーションに潜在的なリスクをもたらす。 通常の$\ell_p$で正規化された攻撃の中で、$\ell_0$-attackはできるだけ少数のピクセルを変更することを目指している。 しかしながら、この問題は一般にNPハード問題であるテクスチャと同時に形状を最適化する必要があるため、簡単ではない。 この問題に対処するために,オブジェクトの輪郭によって案内されるASC(Adversarial Semantic Contour)の新たな手法を提案する。 この事前で、$\ell_0$最適化を加速するために探索空間を縮小し、さらに検出器に影響を及ぼすであろう意味情報も導入する。 輪郭に基づいて、サンプリングによる修正画素の選択と、勾配降下を交互に行う色を最適化する。 広範な実験により,提案するascが,最も一般的な手作業で設計されたパターン(正方形パッチやグリッドなど)よりも消滅のタスクにおいて優れていることが証明された。 対象領域の 5 % と 3.5 % をそれぞれ修正することにより,提案した ASC は SSD512,Yolov4,Mask RCNN,Faster RCNN などの主流対象検出器を誤認することができる。

関連論文リスト

• The Importance of Anti-Aliasing in Tiny Object Detection [0.0]
  本稿では,小さな物体検出に対するアンチエイリアスのための既存のWaveCNetを適用した。 We modified the original WaveCNet to apply Wavelet Pooling layer, effectively suppressing aliasing。 また,背骨の底面重みのあるバージョンを提案し,小型物体検出の性能をさらに向上させる。
  論文  参考訳（メタデータ） (2023-10-22T08:02:01Z)
• To Make Yourself Invisible with Adversarial Semantic Contours [47.755808439588094]
  逆セマンティック・コンター(英: Adversarial Semantic Contour、ASC)は、物体の輪郭の前に騙されたスパース・アタックのベイズ的定式化の見積もりである。 ASCは、異なるアーキテクチャを持つ9つの近代検出器の予測を損なう可能性があることを示す。 我々は、様々なアーキテクチャを持つ物体検出器の共通弱点である輪郭について注意を払って結論付けた。
  論文  参考訳（メタデータ） (2023-03-01T07:22:39Z)
• Embracing Single Stride 3D Object Detector with Sparse Transformer [63.179720817019096]
  自律走行のためのLiDARを用いた3次元物体検出では、物体サイズと入力シーンサイズとの比が2次元検出の場合に比べて有意に小さい。 多くの3D検出器は2D検出器の一般的な慣習に従っており、点雲の定量化後も特徴マップを分解する。 本稿では,SST(Single-stride Sparse Transformer)を提案する。
  論文  参考訳（メタデータ） (2021-12-13T02:12:02Z)
• Sparse and Imperceptible Adversarial Attack via a Homotopy Algorithm [93.80082636284922]
  少数の敵対的攻撃は、数ピクセルを摂動するだけでディープ・ネットワーク(DNN)を騙すことができる。 近年の取り組みは、他の等級のl_infty摂動と組み合わせている。 本稿では,空間的・神経的摂動に対処するホモトピーアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-06-10T20:11:36Z)
• 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)
• Patch-wise++ Perturbation for Adversarial Targeted Attacks [132.58673733817838]
  トランスファビリティの高い対比例の作成を目的としたパッチワイズ反復法(PIM)を提案する。 具体的には、各イテレーションのステップサイズに増幅係数を導入し、$epsilon$-constraintをオーバーフローする1ピクセルの全体的な勾配が、その周辺領域に適切に割り当てられる。 現在の攻撃方法と比較して、防御モデルでは35.9%、通常訓練されたモデルでは32.7%、成功率を大幅に向上させた。
  論文  参考訳（メタデータ） (2020-12-31T08:40:42Z)
• Detection in Crowded Scenes: One Proposal, Multiple Predictions [79.28850977968833]
  混み合ったシーンにおける高過度なインスタンスを検出することを目的とした,提案手法によるオブジェクト検出手法を提案する。 このアプローチの鍵は、各提案が以前の提案ベースのフレームワークの1つではなく、関連したインスタンスのセットを予測できるようにすることです。 我々の検出器は、CrowdHumanデータセットの挑戦に対して4.9%のAPゲインを得ることができ、CityPersonsデータセットでは1.0%$textMR-2$の改善がある。
  論文  参考訳（メタデータ） (2020-03-20T09:48:53Z)

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。