論文の概要: Adversarial Attacks on Deep Learning-based Video Compression and Classification Systems

• arxiv url: http://arxiv.org/abs/2203.10183v1
• Date: Fri, 18 Mar 2022 22:42:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-22 18:03:42.040694
• Title: Adversarial Attacks on Deep Learning-based Video Compression and Classification Systems
• Title（参考訳）: 深層学習に基づく映像圧縮・分類システムに対する敵意攻撃
• Authors: Jung-Woo Chang, Mojan Javaheripi, Seira Hidano, Farinaz Koushanfar
• Abstract要約: 深層学習に基づくビデオ圧縮と下流分類システムに対する敵対的攻撃に対する最初の体系的研究を行う。 本稿では,2つの対向目標を達成するために,ビデオ圧縮モデルのレート・歪み関係を制御できる適応的対向攻撃を提案する。 また、ダウンストリームビデオ分類サービスに対して、ターゲットと未ターゲットの攻撃に対する新たな目的を考案する。
• 参考スコア（独自算出の注目度）: 23.305818640220554
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Video compression plays a crucial role in enabling video streaming and classification systems and maximizing the end-user quality of experience (QoE) at a given bandwidth budget. In this paper, we conduct the first systematic study for adversarial attacks on deep learning based video compression and downstream classification systems. We propose an adaptive adversarial attack that can manipulate the Rate-Distortion (R-D) relationship of a video compression model to achieve two adversarial goals: (1) increasing the network bandwidth or (2) degrading the video quality for end-users. We further devise novel objectives for targeted and untargeted attacks to a downstream video classification service. Finally, we design an input-invariant perturbation that universally disrupts video compression and classification systems in real time. Unlike previously proposed attacks on video classification, our adversarial perturbations are the first to withstand compression. We empirically show the resilience of our attacks against various defenses, i.e., adversarial training, video denoising, and JPEG compression. Our extensive experimental results on various video datasets demonstrate the effectiveness of our attacks. Our video quality and bandwidth attacks deteriorate peak signal-to-noise ratio by up to 5.4dB and the bit-rate by up to 2.4 times on the standard video compression datasets while achieving over 90% attack success rate on a downstream classifier.
• Abstract（参考訳）: ビデオ圧縮は、ビデオストリーミングと分類システムを実現し、所定の帯域幅予算において、エンドユーザー品質(QoE)を最大化する上で重要な役割を果たす。 本稿では,深層学習に基づくビデオ圧縮と下流分類システムに対する敵対的攻撃に対する最初の体系的研究を行う。 本稿では,(1)ネットワーク帯域幅の増大,(2)エンドユーザの映像品質の低下,という2つの目標を達成するために,ビデオ圧縮モデルのレート・歪み(R-D)関係を操作できる適応的敵攻撃を提案する。 さらに、ダウンストリームビデオ分類サービスに対して、標的および未目標攻撃のための新しい目的を考案する。 最後に,映像圧縮と分類システムをリアルタイムに破壊する入力不変摂動を設計する。 従来提案されていたビデオ分類攻撃とは違って,我々の対人摂動は圧縮に耐える最初の攻撃である。 我々は,様々な防御に対する攻撃の弾力性,すなわち,敵意の訓練,映像のデノージング,jpeg圧縮を実証的に示す。 各種ビデオデータセットの広範な実験結果から,本攻撃の有効性を実証した。 我々のビデオ品質と帯域幅攻撃は、最大5.4dBのピーク信号対雑音比と、標準ビデオ圧縮データセットの最大2.4倍のビットレートを低下させ、下流分類器での攻撃成功率を90%以上達成した。

関連論文リスト

• Perceptual Quality Improvement in Videoconferencing using Keyframes-based GAN [28.773037051085318]
  本稿では,ビデオ会議における圧縮アーティファクト削減のための新しいGAN手法を提案する。 まず,圧縮および参照フレームからマルチスケールの特徴を抽出する。 そして、私たちのアーキテクチャは、顔のランドマークに従って、これらの特徴を段階的に組み合わせます。
  論文  参考訳（メタデータ） (2023-11-07T16:38:23Z)
• NetFlick: Adversarial Flickering Attacks on Deep Learning Based Video Compression [19.88538977373161]
  ディープラーニングに基づくビデオ圧縮手法は、従来のアルゴリズムを置き換え、最先端デバイスに最先端の結果を提供する。 ビデオ圧縮フレームワークをターゲットにした実世界のLED攻撃を提示する。 NetFlickと呼ばれる我々の物理的に実現可能な攻撃は、フレッカリング時間的摂動を注入することで、連続するフレーム間の時間的相関を低下させることができる。 さらに,コンテンツに関する事前の知識を必要とせずに,受信映像の性能を低下させることができるユニバーサル摂動を提案する。
  論文  参考訳（メタデータ） (2023-04-04T01:29:51Z)
• StyleFool: Fooling Video Classification Systems via Style Transfer [28.19682215735232]
  StyleFool(スタイルフール)は、ビデオ分類システムを騙すために、スタイル転送によるブラックボックスビデオの敵対攻撃である。 StyleFoolは、クエリの数と既存の防御に対する堅牢性の観点から、最先端の敵攻撃よりも優れています。
  論文  参考訳（メタデータ） (2022-03-30T02:18:16Z)
• Leveraging Bitstream Metadata for Fast, Accurate, Generalized Compressed Video Quality Enhancement [74.1052624663082]
  圧縮ビデオの細部を復元する深層学習アーキテクチャを開発した。 これにより,従来の圧縮補正法と比較して復元精度が向上することを示す。 我々は、ビットストリームで容易に利用できる量子化データに対して、我々のモデルを条件付けする。
  論文  参考訳（メタデータ） (2022-01-31T18:56:04Z)
• Attacking Video Recognition Models with Bullet-Screen Comments [79.53159486470858]
  本稿では,BSC攻撃による映像認識モデルに対する新たな敵攻撃を提案する。 BSCは一種の意味のあるパッチと見なすことができ、クリーンなビデオに追加しても、ビデオの内容に対する人々の理解に影響を与えたり、人々の疑念を喚起したりしない。
  論文  参考訳（メタデータ） (2021-10-29T08:55:50Z)
• Boosting the Transferability of Video Adversarial Examples via Temporal Translation [82.0745476838865]
  敵の例は転送可能であり、現実世界のアプリケーションにおけるブラックボックス攻撃に対して実現可能である。 本稿では,一組の時間的翻訳ビデオクリップ上での対向的摂動を最適化する時間的翻訳攻撃手法を提案する。 Kinetics-400 データセットと UCF-101 データセットを用いた実験により,本手法がビデオ対向例の転送可能性を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2021-10-18T07:52:17Z)
• Perceptual Learned Video Compression with Recurrent Conditional GAN [158.0726042755]
  本稿では, PVC (Perceptual Learned Video Compression) アプローチを提案する。 PLVCは低ビットレートで映像を知覚品質に圧縮することを学ぶ。 ユーザスタディでは、最新の学習ビデオ圧縮手法と比較して、PLVCの優れた知覚性能をさらに検証している。
  論文  参考訳（メタデータ） (2021-09-07T13:36:57Z)
• Content Adaptive and Error Propagation Aware Deep Video Compression [110.31693187153084]
  本稿では,コンテンツ適応型・誤り伝搬対応型ビデオ圧縮システムを提案する。 本手法では, 複数フレームの圧縮性能を1フレームではなく複数フレームで考慮し, 共同学習手法を用いる。 従来の圧縮システムでは手作りのコーディングモードを使用する代わりに,オンラインエンコーダ更新方式をシステム内に設計する。
  論文  参考訳（メタデータ） (2020-03-25T09:04:24Z)
• Over-the-Air Adversarial Flickering Attacks against Video Recognition Networks [54.82488484053263]
  ビデオ分類のためのディープニューラルネットワークは、敵の操作を受けることができる。 本稿では,フリックング時間摂動を導入することで,ビデオ分類器を騙す操作手法を提案する。 攻撃はいくつかの標的モデルに実装され、攻撃の伝達性が実証された。
  論文  参考訳（メタデータ） (2020-02-12T17:58:12Z)

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。