論文の概要: Using 3D Shadows to Detect Object Hiding Attacks on Autonomous Vehicle Perception

• arxiv url: http://arxiv.org/abs/2204.13973v1
• Date: Fri, 29 Apr 2022 09:49:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-02 23:47:57.702467
• Title: Using 3D Shadows to Detect Object Hiding Attacks on Autonomous Vehicle Perception
• Title（参考訳）: 3Dシャドウを用いた自律走行車への物体隠蔽攻撃の検出
• Authors: Zhongyuan Hau, Soteris Demetriou, Emil C. Lupu
• Abstract要約: 我々は物体検出器から隠された障害物を見つけるために3D影を利用する。 提案手法は,対象物として敵に隠された対象物を検出するために利用できる。 障害物検出に3次元影を用いることで,物体と影を一致させることで高い精度が得られることを示す。
• 参考スコア（独自算出の注目度）: 6.371941066890801
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous Vehicles (AVs) are mostly reliant on LiDAR sensors which enable spatial perception of their surroundings and help make driving decisions. Recent works demonstrated attacks that aim to hide objects from AV perception, which can result in severe consequences. 3D shadows, are regions void of measurements in 3D point clouds which arise from occlusions of objects in a scene. 3D shadows were proposed as a physical invariant valuable for detecting spoofed or fake objects. In this work, we leverage 3D shadows to locate obstacles that are hidden from object detectors. We achieve this by searching for void regions and locating the obstacles that cause these shadows. Our proposed methodology can be used to detect an object that has been hidden by an adversary as these objects, while hidden from 3D object detectors, still induce shadow artifacts in 3D point clouds, which we use for obstacle detection. We show that using 3D shadows for obstacle detection can achieve high accuracy in matching shadows to their object and provide precise prediction of an obstacle's distance from the ego-vehicle.
• Abstract（参考訳）: 自律走行車(AV)は主にLiDARセンサーに依存しており、周囲の空間的認識を可能にし、運転決定を支援する。 最近の研究では、物体をAVの知覚から隠そうとする攻撃が示されており、深刻な結果をもたらす可能性がある。 3D影(3D shadow)は、シーン内の物体の閉塞から生じる3D点雲の領域である。 3次元影は偽物や偽物を検出するのに有用な物理的不変量として提案された。 本研究では,物体検出装置から隠れている障害物を3次元影で検出する。 空白領域を探索し、これらの影を引き起こす障害物を見つけることでこれを達成する。 提案手法は,対象物として敵に隠された物体を3d物体検出器から隠蔽しつつも,障害物検出に使用する3d点雲に影アーチファクトを誘導する手法である。 障害物検出に3次元影を用いることで, 障害物の物体とのマッチング精度が向上し, エゴ車からの距離を正確に予測できることを示す。

関連論文リスト

• Intent3D: 3D Object Detection in RGB-D Scans Based on Human Intention [86.39271731460927]
  RGB-Dを用いた3次元物体検出における新たな課題として,「背中を支えたいもの」などの人間の意図に基づく3次元対象物検出がある。 ScanNetデータセットの1,042のシーンから209のきめ細かいクラスに関連付けられた44,990の意図的テキストからなる新しいIntent3Dデータセットを紹介した。 我々はまた、この意図に基づく検出問題に対処するために設計された、我々のユニークなアプローチであるIntentNetを提案する。
  論文  参考訳（メタデータ） (2024-05-28T15:48:39Z)
• Improving Distant 3D Object Detection Using 2D Box Supervision [97.80225758259147]
  遠方の物体の欠損した深さを回復するフレームワークであるLR3Dを提案する。 我々のフレームワークは汎用的であり、3D検出手法を広く活用する可能性がある。
  論文  参考訳（メタデータ） (2024-03-14T09:54:31Z)
• SHIFT3D: Synthesizing Hard Inputs For Tricking 3D Detectors [37.80095745939221]
  本報告では, 3次元物体検出器に対して, 立体形状を識別可能なパイプラインであるShift3Dについて述べる。 自律運転のような安全クリティカルなアプリケーションでは、そのような新しい挑戦的な物体を発見することは、未知の3D検出器の脆弱性について洞察を与えることができる。
  論文  参考訳（メタデータ） (2023-09-11T20:28:18Z)
• SparseDet: Towards End-to-End 3D Object Detection [12.3069609175534]
  ポイントクラウドからエンドツーエンドの3Dオブジェクト検出のためのSparseDetを提案する。 新しい検出パラダイムとして、SparseDetは遅延候補を表現するための学習可能な提案の固定セットを維持している。 SparseDetはより効率的な34.5 FPSで実行しながら高い競合検出精度を達成する。
  論文  参考訳（メタデータ） (2022-06-02T09:49:53Z)
• 3D-VField: Learning to Adversarially Deform Point Clouds for Robust 3D Object Detection [111.32054128362427]
  安全クリティカルな環境では、アウト・オブ・ディストリビューションとロングテールサンプルの堅牢性は、危険な問題を回避するのに不可欠である。 トレーニング中の変形点雲を考慮した3次元物体検出器の領域外データへの一般化を著しく改善する。 我々は、リアルに損傷を受けた稀な車の合成データセットであるCrashDを提案し、共有する。
  論文  参考訳（メタデータ） (2021-12-09T08:50:54Z)
• 3D Object Detection for Autonomous Driving: A Survey [14.772968858398043]
  3次元物体検出は、そのような知覚システムの中核となる基礎となる。 既存の努力にもかかわらず、ポイントクラウド上の3Dオブジェクト検出はまだ初期段階にある。 近年, プロスとコンスを用いた最先端検出法が提案されている。
  論文  参考訳（メタデータ） (2021-06-21T03:17:20Z)
• FGR: Frustum-Aware Geometric Reasoning for Weakly Supervised 3D Vehicle Detection [81.79171905308827]
  3Dアノテーションを使わずに点雲中の車両を検出するためのフラストラム対応幾何推論(FGR)を提案する。 本手法は粗い3次元セグメンテーションと3次元バウンディングボックス推定の2段階からなる。 2Dバウンディングボックスとスパースポイントクラウドだけで、3D空間内のオブジェクトを正確に検出できます。
  論文  参考訳（メタデータ） (2021-05-17T07:29:55Z)
• Object Removal Attacks on LiDAR-based 3D Object Detectors [6.263478017242508]
  オブジェクト除去攻撃(ORAs)は、3Dオブジェクト検出器を失敗させることを目的としている。 関心領域の摂動点雲に対して、1方向に1つの戻り信号を記録するLiDARのデフォルト設定を利用する。 その結果,この攻撃は一般的な3次元物体検出モデルの性能低下に有効であることがわかった。
  論文  参考訳（メタデータ） (2021-02-07T05:34:14Z)
• Expandable YOLO: 3D Object Detection from RGB-D Images [64.14512458954344]
  本稿では,ステレオカメラから深度とカラー画像を入力する軽量物体検出器の構築を目的とする。 YOLOv3のネットワークアーキテクチャを中央から3Dに拡張することにより、深さ方向の出力が可能となる。 領域抽出結果の精度を確認するため、3次元空間におけるユニノン(IoU)の切断を導入する。
  論文  参考訳（メタデータ） (2020-06-26T07:32:30Z)
• Physically Realizable Adversarial Examples for LiDAR Object Detection [72.0017682322147]
  本稿では,LiDAR検出器を騙すために,汎用な3次元対向物体を生成する手法を提案する。 特に,LiDAR検出器から車両を完全に隠蔽するために,車両の屋根上に対向物体を配置し,その成功率は80%であることを示した。 これは、限られたトレーニングデータから見知らぬ条件下での、より安全な自動運転への一歩だ。
  論文  参考訳（メタデータ） (2020-04-01T16:11:04Z)

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。