論文の概要: Adversarial Machine Learning Attacks Against Video Anomaly Detection Systems

• arxiv url: http://arxiv.org/abs/2204.03141v1
• Date: Thu, 7 Apr 2022 00:57:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-09 06:35:25.605354
• Title: Adversarial Machine Learning Attacks Against Video Anomaly Detection Systems
• Title（参考訳）: ビデオ異常検出システムに対する敵対的機械学習攻撃
• Authors: Furkan Mumcu, Keval Doshi, Yasin Yilmaz
• Abstract要約: ビデオにおける異常検出は、自動化されたビデオ監視を含む様々なアプリケーションにおいて重要なコンピュータビジョン問題である。 本稿では,サイバー攻撃による映像異常検出システムに対する対角的機械学習攻撃について検討する。
• 参考スコア（独自算出の注目度）: 30.68108039722565
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomaly detection in videos is an important computer vision problem with various applications including automated video surveillance. Although adversarial attacks on image understanding models have been heavily investigated, there is not much work on adversarial machine learning targeting video understanding models and no previous work which focuses on video anomaly detection. To this end, we investigate an adversarial machine learning attack against video anomaly detection systems, that can be implemented via an easy-to-perform cyber-attack. Since surveillance cameras are usually connected to the server running the anomaly detection model through a wireless network, they are prone to cyber-attacks targeting the wireless connection. We demonstrate how Wi-Fi deauthentication attack, a notoriously easy-to-perform and effective denial-of-service (DoS) attack, can be utilized to generate adversarial data for video anomaly detection systems. Specifically, we apply several effects caused by the Wi-Fi deauthentication attack on video quality (e.g., slow down, freeze, fast forward, low resolution) to the popular benchmark datasets for video anomaly detection. Our experiments with several state-of-the-art anomaly detection models show that the attackers can significantly undermine the reliability of video anomaly detection systems by causing frequent false alarms and hiding physical anomalies from the surveillance system.
• Abstract（参考訳）: ビデオにおける異常検出は、自動監視を含む様々なアプリケーションにおいて重要なコンピュータビジョン問題である。 画像理解モデルに対する敵意攻撃はよく研究されているが、ビデオ理解モデルをターゲットにした敵意機械学習の作業は少なく、ビデオ異常検出に焦点を当てた先行研究は行われていない。 そこで本稿では,サイバー攻撃による映像異常検出システムに対する対向機械学習攻撃について検討する。 監視カメラは通常、無線ネットワークを介して異常検知モデルを実行するサーバに接続されるため、無線接続をターゲットとするサイバー攻撃がちである。 ビデオ異常検出システムにおいて,Wi-Fi deauthentication攻撃(DoS攻撃)が対向データ生成に有効であることを示す。 具体的には、ビデオ品質に対するWi-Fi deauthentication攻撃によるいくつかの効果(例えば、スローダウン、フリーズ、高速フォワード、低解像度)を、ビデオ異常検出のための一般的なベンチマークデータセットに適用する。 複数の最先端異常検出モデルを用いた実験により、攻撃者は頻繁に誤報を起こし、監視システムから物理的異常を隠蔽することにより、映像異常検出システムの信頼性を著しく損なうことが判明した。

関連論文リスト

• Dynamic Erasing Network Based on Multi-Scale Temporal Features for Weakly Supervised Video Anomaly Detection [103.92970668001277]
  弱教師付きビデオ異常検出のための動的消去ネットワーク(DE-Net)を提案する。 まず,異なる長さのセグメントから特徴を抽出できるマルチスケール時間モデリングモジュールを提案する。 そして,検出された異常の完全性を動的に評価する動的消去戦略を設計する。
  論文  参考訳（メタデータ） (2023-12-04T09:40:11Z)
• Open-Vocabulary Video Anomaly Detection [57.552523669351636]
  監視の弱いビデオ異常検出(VAD)は、ビデオフレームが正常であるか異常であるかを識別するためにビデオレベルラベルを利用する際、顕著な性能を達成した。 近年の研究は、より現実的な、オープンセットのVADに取り組み、異常や正常なビデオから見えない異常を検出することを目的としている。 本稿ではさらに一歩前進し、未確認および未確認の異常を検知・分類するために訓練済みの大規模モデルを活用することを目的とした、オープン語彙ビデオ異常検出(OVVAD)について検討する。
  論文  参考訳（メタデータ） (2023-11-13T02:54:17Z)
• Temporal-Distributed Backdoor Attack Against Video Based Action Recognition [21.916002204426853]
  ビデオデータに対する、シンプルで効果的なバックドア攻撃を導入する。 我々の提案した攻撃は、変換されたドメインに摂動を加えることで、ビデオフレームに知覚不能で時間的に分散されたトリガーを配置する。
  論文  参考訳（メタデータ） (2023-08-21T22:31:54Z)
• Forgery Attack Detection in Surveillance Video Streams Using Wi-Fi Channel State Information [20.815889839515087]
  サイバーセキュリティ違反は 監視ビデオストリームを 偽造攻撃に暴露する 従来のビデオ法医学のアプローチは、比較的長いビデオクリップの空間時間解析を用いてトレースをローカライズすることができる。 監視とWi-Fiインフラの広汎な共存を生かしたSecure-Poseを提案する。 Secure-Poseは98.7%の高い検出精度を達成し、再生および改ざん攻撃中の異常物体を局所化する。
  論文  参考訳（メタデータ） (2022-01-24T06:51:03Z)
• Detect & Reject for Transferability of Black-box Adversarial Attacks Against Network Intrusion Detection Systems [0.0]
  本稿では,機械学習による侵入検知システムに対する敵ネットワークトラフィックの転送可能性について検討する。 本研究では,機械学習による侵入検知システムに対する対向的ネットワークトラフィックの転送可能性特性の影響を抑えるための防御機構として検出・削除を検討した。
  論文  参考訳（メタデータ） (2021-12-22T17:54:54Z)
• A Heterogeneous Graph Learning Model for Cyber-Attack Detection [4.559898668629277]
  サイバー攻撃は、ハッカーが標的とする情報システムに侵入する悪意のある試みである。 本稿では,証明データに基づく知的サイバー攻撃検出手法を提案する。 実験の結果,提案手法は他の学習ベース検出モデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2021-12-16T16:03:39Z)
• UBnormal: New Benchmark for Supervised Open-Set Video Anomaly Detection [103.06327681038304]
  本稿では,複数の仮想シーンで構成された教師付きオープンセット・ベンチマークを提案する。 既存のデータセットとは異なり、トレーニング時に画素レベルでアノテートされた異常事象を導入する。 UBnormalは最先端の異常検出フレームワークの性能を向上させることができることを示す。
  論文  参考訳（メタデータ） (2021-11-16T17:28:46Z)
• PAT: Pseudo-Adversarial Training For Detecting Adversarial Videos [20.949656274807904]
  我々は,攻撃の知識を必要とせず,映像中の対角フレームを検出するための,Pseudo-versa-Adrial Training (PAT) という,新しい単純なアルゴリズムを提案する。 UCF-101および20BN-Jesterデータセットによる実験結果から、PATは高い検出率で対向的なビデオフレームやビデオを検出することができることがわかった。
  論文  参考訳（メタデータ） (2021-09-13T04:05:46Z)
• No Need to Know Physics: Resilience of Process-based Model-free Anomaly Detection for Industrial Control Systems [95.54151664013011]
  本稿では,システムの物理的特性に反する逆スプーフ信号を生成するための新しい枠組みを提案する。 トップセキュリティカンファレンスで公表された4つの異常検知器を分析した。
  論文  参考訳（メタデータ） (2020-12-07T11:02:44Z)
• Robust Unsupervised Video Anomaly Detection by Multi-Path Frame Prediction [61.17654438176999]
  本稿では,フレーム予測と適切な設計による新規で頑健な非教師付きビデオ異常検出手法を提案する。 提案手法は,CUHK Avenueデータセット上で88.3%のフレームレベルAUROCスコアを得る。
  論文  参考訳（メタデータ） (2020-11-05T11:34:12Z)
• VideoForensicsHQ: Detecting High-quality Manipulated Face Videos [77.60295082172098]
  偽造検知器の性能は、人間の目で見られる人工物の存在にどのように依存するかを示す。 前例のない品質の顔ビデオ偽造検出のための新しいベンチマークデータセットを導入する。
  論文  参考訳（メタデータ） (2020-05-20T21:17:43Z)

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。