論文の概要: Adversarial Attacks on Monocular Pose Estimation

• arxiv url: http://arxiv.org/abs/2207.07032v1
• Date: Thu, 14 Jul 2022 16:12:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-15 12:32:32.291854
• Title: Adversarial Attacks on Monocular Pose Estimation
• Title（参考訳）: 単眼的ポーズ推定に対する敵意攻撃
• Authors: Hemang Chawla, Arnav Varma, Elahe Arani, Bahram Zonooz
• Abstract要約: 単眼深度を対象とする対向摂動とポーズ推定ネットワークの関係について検討する。 我々の実験は、生成した摂動が相対回転および翻訳予測において顕著な誤差をもたらすことを示す。
• 参考スコア（独自算出の注目度）: 13.7258515433446
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Advances in deep learning have resulted in steady progress in computer vision with improved accuracy on tasks such as object detection and semantic segmentation. Nevertheless, deep neural networks are vulnerable to adversarial attacks, thus presenting a challenge in reliable deployment. Two of the prominent tasks in 3D scene-understanding for robotics and advanced drive assistance systems are monocular depth and pose estimation, often learned together in an unsupervised manner. While studies evaluating the impact of adversarial attacks on monocular depth estimation exist, a systematic demonstration and analysis of adversarial perturbations against pose estimation are lacking. We show how additive imperceptible perturbations can not only change predictions to increase the trajectory drift but also catastrophically alter its geometry. We also study the relation between adversarial perturbations targeting monocular depth and pose estimation networks, as well as the transferability of perturbations to other networks with different architectures and losses. Our experiments show how the generated perturbations lead to notable errors in relative rotation and translation predictions and elucidate vulnerabilities of the networks.
• Abstract（参考訳）: ディープラーニングの進歩はコンピュータビジョンの着実に進歩し、オブジェクト検出やセマンティックセグメンテーションといったタスクの精度が向上した。 それでもディープニューラルネットワークは、敵の攻撃に対して脆弱であり、信頼性の高いデプロイメントにおいて課題となる。 ロボット工学と高度な運転支援システムの3dシーン理解における2つの顕著なタスクは、単眼深度とポーズ推定であり、しばしば教師なしの方法で一緒に学習される。 対人攻撃が単眼深度推定に与える影響を評価する研究は存在するが、対人摂動の体系的な実証と分析は欠如している。 加法的な摂動は, 軌道ドリフトを増大させるために予測を変化させるだけでなく, 破滅的にその形状を変化させる。 また,単眼深度を対象とする対向摂動とポーズ推定ネットワークの関係や,異なるアーキテクチャと損失を持つ他のネットワークへの摂動の伝達可能性についても検討した。 実験により, 発生した摂動が相対回転および翻訳予測において顕著な誤差を生じ, ネットワークの脆弱性を解明した。

関連論文リスト

• Detecting Adversarial Attacks in Semantic Segmentation via Uncertainty Estimation: A Deep Analysis [12.133306321357999]
  セグメンテーションのためのニューラルネットワークに対する敵攻撃を検出する不確実性に基づく手法を提案する。 我々は,不確実性に基づく敵攻撃の検出と様々な最先端ニューラルネットワークの詳細な解析を行う。 提案手法の有効性を示す数値実験を行った。
  論文  参考訳（メタデータ） (2024-08-19T14:13:30Z)
• Towards Evaluating the Robustness of Visual State Space Models [63.14954591606638]
  視覚状態空間モデル(VSSM)は視覚知覚タスクにおいて顕著な性能を示した。 しかし、自然と敵対的な摂動の下での頑丈さは依然として重要な懸念事項である。 様々な摂動シナリオ下でのVSSMの頑健さを総合的に評価する。
  論文  参考訳（メタデータ） (2024-06-13T17:59:44Z)
• Towards Improving Robustness Against Common Corruptions in Object Detectors Using Adversarial Contrastive Learning [10.27974860479791]
  本稿では, ニューラルネットワークの強靭性向上と, 対人攻撃と共通汚職の同時防止を目的とした, 革新的な対人的コントラスト学習フレームワークを提案する。 対戦型および実世界の条件下での性能向上に焦点を合わせることで、安全クリティカルなアプリケーションにおけるニューラルネットワークの堅牢性を高めることを目的としている。
  論文  参考訳（メタデータ） (2023-11-14T06:13:52Z)
• A Survey on Transferability of Adversarial Examples across Deep Neural Networks [53.04734042366312]
  逆の例では、機械学習モデルを操作して誤った予測を行うことができます。 敵の例の転送可能性により、ターゲットモデルの詳細な知識を回避できるブラックボックス攻撃が可能となる。 本研究は, 対角移動可能性の展望を考察した。
  論文  参考訳（メタデータ） (2023-10-26T17:45:26Z)
• Investigating Human-Identifiable Features Hidden in Adversarial Perturbations [54.39726653562144]
  我々の研究では、最大5つの攻撃アルゴリズムを3つのデータセットにわたって探索する。 対人摂動における人間の識別可能な特徴を同定する。 画素レベルのアノテーションを用いて、そのような特徴を抽出し、ターゲットモデルに妥協する能力を実証する。
  論文  参考訳（メタデータ） (2023-09-28T22:31:29Z)
• Residual Error: a New Performance Measure for Adversarial Robustness [85.0371352689919]
  ディープラーニングの広く普及を制限する大きな課題は、敵の攻撃に対する脆弱さである。 本研究は,ディープニューラルネットワークの対角強靭性を評価するための新しい性能尺度である残留誤差の概念を提示する。 画像分類を用いた実験結果から,提案手法の有効性と有効性を示した。
  論文  参考訳（メタデータ） (2021-06-18T16:34:23Z)
• Vulnerability Under Adversarial Machine Learning: Bias or Variance? [77.30759061082085]
  本研究では,機械学習が訓練された深層ニューラルネットワークのバイアスと分散に与える影響について検討する。 我々の分析は、ディープニューラルネットワークが対向的摂動下で性能が劣っている理由に光を当てている。 本稿では,計算処理の複雑さをよく知られた機械学習手法よりも低く抑えた,新しい逆機械学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-08-01T00:58:54Z)
• Targeted Adversarial Perturbations for Monocular Depth Prediction [74.61708733460927]
  対向摂動が単眼深度予測の課題に及ぼす影響について検討した。 具体的には、シーンの知覚的幾何学を選択的に変化させる、小さくて知覚できない付加的摂動の能力を探求する。 このような摂動は、カメラから予測される距離を世界規模で再スケールするだけでなく、異なるターゲットシーンにマッチするように予測を変更することが可能である。
  論文  参考訳（メタデータ） (2020-06-12T19:29:43Z)

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。