Fugu-MT 論文翻訳(概要): Access Control of Object Detection Models Using Encrypted Feature Maps

論文の概要: Access Control of Object Detection Models Using Encrypted Feature Maps

arxiv url: http://arxiv.org/abs/2202.00265v1
Date: Tue, 1 Feb 2022 07:52:38 GMT
ステータス: 処理完了
システム内更新日: 2022-02-02 22:03:24.614841
Title: Access Control of Object Detection Models Using Encrypted Feature Maps
Title（参考訳）: 暗号化特徴マップを用いた物体検出モデルのアクセス制御
Authors: Teru Nagamori, Hiroki Ito, April Pyone Maung Maung, Hitoshi Kiya
Abstract要約: 本稿では,オブジェクト検出モデルに対するアクセス制御手法を提案する。暗号化された画像や暗号化された特徴マップの使用は、不正アクセスからモデルのアクセス制御に有効であることが示されている。
参考スコア（独自算出の注目度）: 10.925242558525683
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, we propose an access control method for object detection models. The use of encrypted images or encrypted feature maps has been demonstrated to be effective in access control of models from unauthorized access. However, the effectiveness of the approach has been confirmed in only image classification models and semantic segmentation models, but not in object detection models. In this paper, the use of encrypted feature maps is shown to be effective in access control of object detection models for the first time.
Abstract（参考訳）: 本稿では,オブジェクト検出モデルに対するアクセス制御手法を提案する。暗号化された画像や暗号化された特徴マップの使用は、不正アクセスからモデルのアクセス制御に有効であることが示されている。しかし、このアプローチの有効性は画像分類モデルと意味セグメンテーションモデルのみで確認されているが、対象検出モデルでは確認されていない。本稿では,オブジェクト検出モデルのアクセス制御において,暗号化された特徴マップの利用が初めて有効であることを示す。

関連論文リスト

Open World DETR: Transformer based Open World Object Detection [60.64535309016623]
そこで我々は,Deformable DETRに基づくオープンワールドオブジェクト検出のための2段階学習手法Open World DETRを提案する。モデルのクラス固有のコンポーネントを多視点の自己ラベル戦略と一貫性制約で微調整する。提案手法は、他の最先端のオープンワールドオブジェクト検出方法よりも大きなマージンで優れている。
論文参考訳（メタデータ） (2022-12-06T13:39:30Z)
Access Control with Encrypted Feature Maps for Object Detection Models [10.925242558525683]
本稿では,オブジェクト検出モデルのための秘密鍵を用いたアクセス制御手法を提案する。選択された特徴マップは、モデルのトレーニングとテストのための秘密鍵で暗号化される。実験では、保護されたモデルにより、許可されたユーザーが保護されていないモデルとほぼ同じ性能を得られるようにした。
論文参考訳（メタデータ） (2022-09-29T14:46:04Z)
An Access Control Method with Secret Key for Semantic Segmentation Models [12.27887776401573]
非許可アクセスからモデルを保護するために,秘密鍵を用いた新しいアクセス制御法を提案する。セグメンテーション変換器(SETR)と呼ばれる視覚変換器(ViT)を用いたセグメンテーションモデルに焦点を当てる。
論文参考訳（メタデータ） (2022-08-28T04:09:36Z)
Access Control of Semantic Segmentation Models Using Encrypted Feature Maps [12.29209267739635]
セマンティックセグメンテーションモデルのための秘密鍵を用いたアクセス制御手法を提案する。選択された特徴マップは、モデルのトレーニングとテストのための秘密鍵で暗号化される。実験では、保護されたモデルにより、許可されたユーザーが保護されていないモデルとほぼ同じ性能を得られるようにした。
論文参考訳（メタデータ） (2022-06-11T05:02:01Z)
Access Control Using Spatially Invariant Permutation of Feature Maps for Semantic Segmentation Models [13.106063755117399]
セグメンテーションモデルを保護する秘密鍵を用いた特徴写像の空間不変な置換を用いたアクセス制御手法を提案する。提案手法により,適切なキーを持つユーザに対して,モデルにフルキャパシティにアクセスできるだけでなく,不正なユーザに対して性能を劣化させることが可能となる。
論文参考訳（メタデータ） (2021-09-03T06:23:42Z)
Ensembling object detectors for image and video data analysis [98.26061123111647]
本稿では,複数の物体検出器の出力をアンサンブルすることで,画像データ上の境界ボックスの検出性能と精度を向上させる手法を提案する。本研究では,2段階追跡に基づく検出精度向上手法を提案することで,映像データに拡張する。
論文参考訳（メタデータ） (2021-02-09T12:38:16Z)
Weakly-Supervised Saliency Detection via Salient Object Subitizing [57.17613373230722]
我々は,クラス非依存であるため,弱い監督としてサリエンシー・サブイタライジングを導入する。これにより、監視はサリエンシー検出の特性と整合することができます。 5つのベンチマークデータセットに対して広範な実験を行う。
論文参考訳（メタデータ） (2021-01-04T12:51:45Z)
Slender Object Detection: Diagnoses and Improvements [74.40792217534]
本稿では,超高アスペクト比,すなわちtextbfslender オブジェクトの特定タイプの検出について検討する。古典的物体検出法では、細い物体に対してのみ評価される場合、COCO上の18.9%のmAPの劇的な低下が観察される。
論文参考訳（メタデータ） (2020-11-17T09:39:42Z)
Synthesizing the Unseen for Zero-shot Object Detection [72.38031440014463]
そこで本研究では,視覚領域における視覚的特徴と視覚的対象の両方を学習するために,視覚的特徴を合成することを提案する。クラスセマンティックスを用いた新しい生成モデルを用いて特徴を生成するだけでなく,特徴を識別的に分離する。
論文参考訳（メタデータ） (2020-10-19T12:36:11Z)
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)
Membership Inference Attacks Against Object Detection Models [1.0467092641687232]
ブラックボックスオブジェクト検出モデルに対する最初のメンバシップ推論攻撃を示す。我々は,1段階および2段階検出モデルを用いて訓練した個人機密データの登録状況を明らかにした。その結果、オブジェクト検出モデルは、他のモデルのような推論攻撃にも弱いことが判明した。
論文参考訳（メタデータ） (2020-01-12T23:17:45Z)

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。