Fugu-MT 論文翻訳(概要): Physical Attack on Monocular Depth Estimation with Optimal Adversarial Patches

論文の概要: Physical Attack on Monocular Depth Estimation with Optimal Adversarial Patches

arxiv url: http://arxiv.org/abs/2207.04718v1
Date: Mon, 11 Jul 2022 08:59:09 GMT
ステータス: 処理完了
システム内更新日: 2022-07-12 14:54:14.925399
Title: Physical Attack on Monocular Depth Estimation with Optimal Adversarial Patches
Title（参考訳）: 最適対向パッチを用いた単眼深度推定の物理的攻撃
Authors: Zhiyuan Cheng, James Liang, Hongjun Choi, Guanhong Tao, Zhiwen Cao, Dongfang Liu and Xiangyu Zhang
Abstract要約: 我々は学習に基づく単眼深度推定(MDE)に対する攻撃を開発する。我々は,攻撃のステルス性と有効性を,オブジェクト指向の対角設計,感度領域の局所化,自然スタイルのカモフラージュとバランスさせる。実験結果から,本手法は,異なる対象オブジェクトやモデルに対して,ステルス性,有効,堅牢な逆パッチを生成できることが示唆された。
参考スコア（独自算出の注目度）: 18.58673451901394
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Deep learning has substantially boosted the performance of Monocular Depth Estimation (MDE), a critical component in fully vision-based autonomous driving (AD) systems (e.g., Tesla and Toyota). In this work, we develop an attack against learning-based MDE. In particular, we use an optimization-based method to systematically generate stealthy physical-object-oriented adversarial patches to attack depth estimation. We balance the stealth and effectiveness of our attack with object-oriented adversarial design, sensitive region localization, and natural style camouflage. Using real-world driving scenarios, we evaluate our attack on concurrent MDE models and a representative downstream task for AD (i.e., 3D object detection). Experimental results show that our method can generate stealthy, effective, and robust adversarial patches for different target objects and models and achieves more than 6 meters mean depth estimation error and 93% attack success rate (ASR) in object detection with a patch of 1/9 of the vehicle's rear area. Field tests on three different driving routes with a real vehicle indicate that we cause over 6 meters mean depth estimation error and reduce the object detection rate from 90.70% to 5.16% in continuous video frames.
Abstract（参考訳）: ディープラーニングは、完全な視覚に基づく自律運転(AD)システム(例えばTeslaやToyota)において重要なコンポーネントであるモノクル深度推定(MDE)の性能を大幅に向上させた。本研究では,学習に基づくMDEに対する攻撃を開発する。特に、最適化に基づく手法を用いて、ステルスな物理オブジェクト指向の敵パッチを体系的に生成し、深さ推定を行う。我々は,攻撃のステルス性と有効性を,オブジェクト指向の対角設計,感度領域の局所化,自然スタイルのカモフラージュとバランスさせる。実世界の運転シナリオを用いて、同時MDEモデルに対する攻撃と、AD(つまり3Dオブジェクト検出)のダウンストリームタスクを評価する。実験結果から, 車両後部領域の1/9のパッチを用いて, 物体検出において, 異なる対象物やモデルに対してステルス性, 有効, 堅牢な対向パッチを生成でき, 6m以上の平均深度推定誤差と93%の攻撃成功率(ASR)が得られることがわかった。実車による3つの異なる運転経路でのフィールドテストでは、平均深度推定誤差が6メートル以上となり、連続ビデオフレームでの物体検出率は90.70%から5.16%に低下した。

関連論文リスト

Optical Lens Attack on Monocular Depth Estimation for Autonomous Driving [12.302132670292316]
LensAttackは、自動運転車のカメラに光学レンズを戦略的に配置して、知覚された物体の深さを操作する物理的な攻撃だ。まず、攻撃のパラメータを概説する数学的モデルを構築し、続いてシミュレーションと実世界の評価を行い、その有効性を最先端のMDEモデルで評価する。その結果、LensAttackはADシステムの深度推定プロセスを著しく破壊し、信頼性と安全性に深刻な脅威をもたらすことが明らかとなった。
論文参考訳（メタデータ） (2024-10-31T20:23:27Z)
Uncertainty Estimation for 3D Object Detection via Evidential Learning [63.61283174146648]
本稿では,3次元検出器における鳥の視線表示における明らかな学習損失を利用して,3次元物体検出の不確かさを定量化するためのフレームワークを提案する。本研究では,これらの不確実性評価の有効性と重要性を,分布外シーンの特定,局所化の不十分な物体の発見,および(偽陰性)検出の欠如について示す。
論文参考訳（メタデータ） (2024-10-31T13:13:32Z)
Transient Adversarial 3D Projection Attacks on Object Detection in Autonomous Driving [15.516055760190884]
本稿では,自律運転シナリオにおける物体検出を対象とする3Dプロジェクション攻撃を提案する。本研究は, YOLOv3 と Mask R-CNN の物理環境における攻撃効果を示すものである。
論文参考訳（メタデータ） (2024-09-25T22:27:11Z)
Adversarial Manhole: Challenging Monocular Depth Estimation and Semantic Segmentation Models with Patch Attack [1.4272256806865107]
本稿では,マンホールカバーを模倣してMDEモデルとSSモデルを偽装する実用的パッチを用いた,新たな逆襲攻撃を提案する。我々はDepth Planar Mappingを使ってこれらのパッチを道路表面に正確に配置し、攻撃の有効性を高める。以上の結果から,MDEでは相対誤差が43%,SSでは96%であった。
論文参考訳（メタデータ） (2024-08-27T08:48:21Z)
ControlLoc: Physical-World Hijacking Attack on Visual Perception in Autonomous Driving [30.286501966393388]
危険な運転シナリオを引き起こすために、デジタルハイジャック攻撃が提案されている。我々は、自律運転(AD)視覚認識全体のハイジャック脆弱性を活用するために設計された、新しい物理世界の逆パッチアタックであるControlLocを導入する。
論文参考訳（メタデータ） (2024-06-09T14:53:50Z)
SSAP: A Shape-Sensitive Adversarial Patch for Comprehensive Disruption of Monocular Depth Estimation in Autonomous Navigation Applications [7.631454773779265]
SSAP(Shape-Sensitive Adrial Patch)は,自律ナビゲーションアプリケーションにおける単眼深度推定(MDE)を阻害する新しい手法である。我々のパッチは、推定距離を歪ませたり、システムの観点から消える物体の錯覚を作り出すことによって、2つの異なる方法でMDEを選択的に弱体化させる。提案手法は平均深度推定誤差が0.5を超え,CNNベースMDEモデルの目標領域の99%に影響を及ぼす。
論文参考訳（メタデータ） (2024-03-18T07:01:21Z)
AdvMono3D: Advanced Monocular 3D Object Detection with Depth-Aware Robust Adversarial Training [64.14759275211115]
そこで本研究では,DART3Dと呼ばれるモノクル3次元物体検出のための,深度対応の頑健な対向学習法を提案する。我々の敵の訓練アプローチは、本質的な不確実性に乗じて、敵の攻撃に対する堅牢性を大幅に向上させる。
論文参考訳（メタデータ） (2023-09-03T07:05:32Z)
A Comprehensive Study of the Robustness for LiDAR-based 3D Object Detectors against Adversarial Attacks [84.10546708708554]
3Dオブジェクト検出器は、セキュリティクリティカルなタスクにおいてますます重要になっている。敵の攻撃に対する強固さを理解することが不可欠である。本稿では,LiDARをベースとした3次元検出器の対角攻撃時のロバスト性評価と解析を行った。
論文参考訳（メタデータ） (2022-12-20T13:09:58Z)
Evaluating the Robustness of Semantic Segmentation for Autonomous Driving against Real-World Adversarial Patch Attacks [62.87459235819762]
自動運転車のような現実のシナリオでは、現実の敵例(RWAE)にもっと注意を払わなければならない。本稿では,デジタルおよび実世界の敵対パッチの効果を検証し,一般的なSSモデルのロバスト性を詳細に評価する。
論文参考訳（メタデータ） (2021-08-13T11:49:09Z)
Geometry Uncertainty Projection Network for Monocular 3D Object Detection [138.24798140338095]
本稿では,予測および学習段階の誤り増幅問題に対処するために,幾何不確実性予測ネットワーク(GUP Net)を提案する。具体的には, GUPモジュールを提案し, 推定深さの幾何誘導不確かさを求める。トレーニング段階では,エラー増幅による不安定性を低減するための階層型タスク学習戦略を提案する。
論文参考訳（メタデータ） (2021-07-29T06:59:07Z)
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。