論文の概要: Context-Aware Transfer Attacks for Object Detection

• arxiv url: http://arxiv.org/abs/2112.03223v1
• Date: Mon, 6 Dec 2021 18:26:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-07 14:27:21.259781
• Title: Context-Aware Transfer Attacks for Object Detection
• Title（参考訳）: オブジェクト検出のためのコンテキストアウェア転送攻撃
• Authors: Zikui Cai, Xinxin Xie, Shasha Li, Mingjun Yin, Chengyu Song, Srikanth V. Krishnamurthy, Amit K. Roy-Chowdhury, M. Salman Asif
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 51.65308857232767
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Blackbox transfer attacks for image classifiers have been extensively studied in recent years. In contrast, little progress has been made on transfer attacks for object detectors. Object detectors take a holistic view of the image and the detection of one object (or lack thereof) often depends on other objects in the scene. This makes such detectors inherently context-aware and adversarial attacks in this space are more challenging than those targeting image classifiers. In this paper, we present a new approach to generate context-aware attacks for object detectors. We show that by using co-occurrence of objects and their relative locations and sizes as context information, we can successfully generate targeted mis-categorization attacks that achieve higher transfer success rates on blackbox object detectors than the state-of-the-art. We test our approach on a variety of object detectors with images from PASCAL VOC and MS COCO datasets and demonstrate up to $20$ percentage points improvement in performance compared to the other state-of-the-art methods.
• Abstract（参考訳）: 画像分類器に対するブラックボックス転送攻撃は近年広く研究されている。 対照的に、物体検出器の移動攻撃についてはほとんど進展がない。 オブジェクト検出器は画像の全体像を取り、あるオブジェクト(またはその欠如)の検出は、しばしばシーン内の他のオブジェクトに依存する。 これにより、このような検出器は本質的にコンテキスト認識であり、この空間における敵の攻撃は、画像分類器をターゲットとするものよりも難しい。 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生成する新しい手法を提案する。 我々は,オブジェクトとその相対的な位置とサイズをコンテキスト情報として共起することにより,ブラックボックスオブジェクト検出器の転送成功率を最先端よりも高める目標的誤分類攻撃を効果的に生成できることを示す。 我々は,PASCAL VOCおよびMS COCOデータセットの画像を用いた多種多様な物体検出器に対するアプローチを検証し,他の最先端手法と比較して最大20ドル程度の性能向上を示す。

関連論文リスト

• Improving Object Detection via Local-global Contrastive Learning [27.660633883387753]
  本稿では,クロスドメインオブジェクト検出を対象とする画像から画像への変換手法を提案する。 ローカル・グローバル情報と対比することでオブジェクトを表現することを学ぶ。 これにより、ドメインシフトの下で、パフォーマンス検出(Performant detection)の取得という、未調査の課題の調査が可能になる。
  論文  参考訳（メタデータ） (2024-10-07T14:18:32Z)
• Object-fabrication Targeted Attack for Object Detection [54.10697546734503]
  物体検出の敵攻撃は 標的攻撃と未標的攻撃を含む。 新たなオブジェクトファブリケーションターゲット攻撃モードは、特定のターゲットラベルを持つ追加の偽オブジェクトをファブリケートする検出器を誤解させる可能性がある。
  論文  参考訳（メタデータ） (2022-12-13T08:42:39Z)
• 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)
• A Simple and Effective Use of Object-Centric Images for Long-Tailed Object Detection [56.82077636126353]
  シーン中心画像における物体検出を改善するために,物体中心画像を活用する。 私たちは、シンプルで驚くほど効果的なフレームワークを提示します。 我々の手法は、レアオブジェクトのオブジェクト検出(およびインスタンスセグメンテーション)の精度を相対的に50%(および33%)向上させることができる。
  論文  参考訳（メタデータ） (2021-02-17T17:27:21Z)
• Fast Local Attack: Generating Local Adversarial Examples for Object Detectors [38.813947369401525]
  本研究では,高レベルなセマンティック情報を利用して,アンカーフリー物体検出器の高攻撃的局所摂動を生成する。 その結果、計算集約性が低下し、より高いブラックボックス攻撃と攻撃性能が達成される。 提案手法で生成した逆例は, アンカーフリー物体検出器を攻撃できるだけでなく, アンカーベース物体検出器を攻撃できる。
  論文  参考訳（メタデータ） (2020-10-27T13:49:36Z)
• Learning Object Detection from Captions via Textual Scene Attributes [70.90708863394902]
  キャプションには、オブジェクトの属性やそれらの関係など、画像に関するよりリッチな情報が含まれている、と我々は主張する。 本稿では,この「テキストシーングラフ」の属性を用いて物体検知器を訓練する手法を提案する。 得られたモデルが、いくつかの挑戦的なオブジェクト検出データセットに対して、最先端の結果を達成することを実証的に実証した。
  論文  参考訳（メタデータ） (2020-09-30T10:59:20Z)
• 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)
• CCA: Exploring the Possibility of Contextual Camouflage Attack on Object Detection [16.384831731988204]
  対象検出器の性能に影響を及ぼすためのコンテキストカモフラージュ攻撃(CCA)アルゴリズムを提案する。 本稿では,フォトリアリスティック・シミュレートされた環境における進化的探索戦略と対向機械学習の相互作用について述べる。 提案されたカモフラージュは、最先端の物体検出器の多くに有効であることが検証されている。
  論文  参考訳（メタデータ） (2020-08-19T06:16:10Z)
• Cross-Supervised Object Detection [42.783400918552765]
  完全ラベル付きベースカテゴリから学習した知識を活用して、新しいカテゴリの弱いラベル付き画像からより良いオブジェクト検出器を構築する方法を示す。 本稿では,インスタンスレベルのアノテーションから学習した検出ヘッドと,画像レベルのアノテーションから学習した認識ヘッドを組み合わせた統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-26T15:33:48Z)
• Context-Transformer: Tackling Object Confusion for Few-Shot Detection [0.0]
  本稿では,簡潔なディープトランスフレームワークにおけるコンテキスト変換器を提案する。 Context-Transformerは、ソースドメインオブジェクトの知識をガイダンスとして効果的に活用することができる。 これらのリレーショナルな手がかりを適応的に統合して、検出器の識別力を高めることができる。
  論文  参考訳（メタデータ） (2020-03-16T16:17:11Z)

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。