論文の概要: Adversarial Attacks against a Satellite-borne Multispectral Cloud Detector

• arxiv url: http://arxiv.org/abs/2112.01723v1
• Date: Fri, 3 Dec 2021 05:27:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-06 16:17:59.005345
• Title: Adversarial Attacks against a Satellite-borne Multispectral Cloud Detector
• Title（参考訳）: 衛星搭載マルチスペクトル雲検出器に対する逆襲
• Authors: Andrew Du, Yee Wei Law, Michele Sasdelli, Bo Chen, Ken Clarke, Michael Brown, Tat-Jun Chin
• Abstract要約: 本稿では,ディープラーニングによる攻撃に対するクラウド検出の脆弱性を明らかにする。 敵のパターンを最適化し、それを雲のないシーンに重ね合わせることで、ニューラルネットワークを偏り、シーン内の雲を検出する。 これは多目的攻撃の可能性、特に雲に敏感なバンドにおける敵バイアスと可視光バンドにおける視覚的カモフラージュの可能性を開放する。
• 参考スコア（独自算出の注目度）: 33.11869627537352
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data collected by Earth-observing (EO) satellites are often afflicted by cloud cover. Detecting the presence of clouds -- which is increasingly done using deep learning -- is crucial preprocessing in EO applications. In fact, advanced EO satellites perform deep learning-based cloud detection on board the satellites and downlink only clear-sky data to save precious bandwidth. In this paper, we highlight the vulnerability of deep learning-based cloud detection towards adversarial attacks. By optimising an adversarial pattern and superimposing it into a cloudless scene, we bias the neural network into detecting clouds in the scene. Since the input spectra of cloud detectors include the non-visible bands, we generated our attacks in the multispectral domain. This opens up the potential of multi-objective attacks, specifically, adversarial biasing in the cloud-sensitive bands and visual camouflage in the visible bands. We also investigated mitigation strategies against the adversarial attacks. We hope our work further builds awareness of the potential of adversarial attacks in the EO community.
• Abstract（参考訳）: 地球観測衛星(EO)が収集したデータは、しばしば雲に覆われている。 ディープラーニングを使ってますます行われているクラウドの存在を検出することは、EOアプリケーションにおいて重要な前処理である。 実際、高度なEO衛星は、衛星上で深層学習ベースのクラウド検出を行い、貴重な帯域幅を節約するためにクリアスキーデータのみをダウンリンクする。 本稿では,ディープラーニングによる攻撃に対するクラウド検出の脆弱性を明らかにする。 敵のパターンを最適化し、雲のないシーンに重ね合わせることで、ニューラルネットワークをバイアスし、シーン内の雲を検出する。 雲検出器の入力スペクトルは非可視帯を含むため、我々はマルチスペクトル領域で攻撃を発生させた。 これにより、多目的攻撃、特に雲に敏感なバンドの敵対バイアス、可視性バンドの視覚的カモフラージュの可能性が開ける。 また,敵の攻撃に対する緩和戦略についても検討した。 EOコミュニティにおける敵対的攻撃の可能性に対する認識をさらに高めることを願っています。

関連論文リスト

• Edge-Only Universal Adversarial Attacks in Distributed Learning [49.546479320670464]
  本研究では,攻撃者がモデルのエッジ部分のみにアクセスした場合に,ユニバーサルな敵攻撃を発生させる可能性について検討する。 提案手法は, エッジ側の重要な特徴を活用することで, 未知のクラウド部分において, 効果的な誤予測を誘導できることを示唆する。 ImageNetの結果は、未知のクラウド部分に対する強力な攻撃伝達性を示している。
  論文  参考訳（メタデータ） (2024-11-15T11:06:24Z)
• Defense against Adversarial Cloud Attack on Remote Sensing Salient Object Detection [21.028664417133793]
  本稿では,雲に近づいた画像に対して,対向露光と加法摂動を伴って調整することを提案する。 DefenseNetは、提案されているAdversarial Cloudをホワイトボックス設定で防御し、ブラックボックス設定で他のアタックメソッドを防御することができる。
  論文  参考訳（メタデータ） (2023-06-30T07:06:13Z)
• Spatial-Frequency Discriminability for Revealing Adversarial Perturbations [53.279716307171604]
  敵の摂動に対するディープニューラルネットワークの脆弱性は、コンピュータビジョンコミュニティで広く認識されている。 現在のアルゴリズムは、通常、自然および敵対的なデータの識別的分解を通じて、敵のパターンを検出する。 空間周波数Krawtchouk分解に基づく識別検出器を提案する。
  論文  参考訳（メタデータ） (2023-05-18T10:18:59Z)
• Towards Robust Rain Removal Against Adversarial Attacks: A Comprehensive Benchmark Analysis and Beyond [85.06231315901505]
  雨の除去は、画像やビデオから雨の流れを取り除き、雨による破壊的な影響を減らすことを目的としている。 本稿では, 深層学習に基づく雨害防止手法の強靭性に関する総合的な研究を初めて行おうとする。
  論文  参考訳（メタデータ） (2022-03-31T10:22:24Z)
• Unsupervised Point Cloud Representation Learning with Deep Neural Networks: A Survey [104.71816962689296]
  大規模クラウドラベリングの制約により,教師なしのポイントクラウド表現学習が注目されている。 本稿では、ディープニューラルネットワークを用いた教師なしポイントクラウド表現学習の総合的なレビューを提供する。
  論文  参考訳（メタデータ） (2022-02-28T07:46:05Z)
• Boosting 3D Adversarial Attacks with Attacking On Frequency [6.577812580043734]
  我々は、ポイントクラウドの低周波成分により多くの注意を払う新しいポイントクラウドアタック(AOFと呼ばれる)を提案する。 実験により、AOFは最先端(SOTA)攻撃と比較して、転送可能性を大幅に改善できることが示された。
  論文  参考訳（メタデータ） (2022-01-26T13:52:17Z)
• Fixed Points in Cyber Space: Rethinking Optimal Evasion Attacks in the Age of AI-NIDS [70.60975663021952]
  ネットワーク分類器に対するブラックボックス攻撃について検討する。 我々は、アタッカー・ディフェンダーの固定点がそれ自体、複雑な位相遷移を持つ一般サムゲームであると主張する。 攻撃防御力学の研究には連続的な学習手法が必要であることを示す。
  論文  参考訳（メタデータ） (2021-11-23T23:42:16Z)
• Explainability-Aware One Point Attack for Point Cloud Neural Networks [0.0]
  本研究は2つの新たな攻撃手法である opa と cta を提案する。 入力インスタンスから1ポイントだけをシフトすることで、人気の高いクラウドネットワークを100%の成功率で騙すことができることを示す。 また,異なる点帰属分布が点クラウドネットワークの対角的ロバスト性に与える影響についても考察した。
  論文  参考訳（メタデータ） (2021-10-08T14:29:02Z)
• CloudShield: Real-time Anomaly Detection in the Cloud [8.406912571507569]
  CloudShieldは、クラウドコンピューティングのためのリアルタイムの異常および攻撃検知システムである。 良心的なプログラム、既知の攻撃、ゼロデイ攻撃を区別する。 誤報を最大99.0%減らす。
  論文  参考訳（メタデータ） (2021-08-20T03:14:18Z)
• Privacy Inference Attacks and Defenses in Cloud-based Deep Neural Network: A Survey [22.706623721832486]
  クラウドコンピューティングプロバイダは、クラウドベースのDeep Neural Networkをアウトオブボックスサービスとして提供する。 この調査は、クラウドベースのニューラルネットワークサービスで発生したプライバシー攻撃と防御の最新の調査結果を示しています。 クラウドベースのMLプライバシーゲームと呼ばれる新しい理論は、最近発表された文献から抽出され、最先端の研究の深い理解を提供します。
  論文  参考訳（メタデータ） (2021-05-13T13:45:28Z)

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。