論文の概要: Potential Auto-driving Threat: Universal Rain-removal Attack
- arxiv url: http://arxiv.org/abs/2211.09959v1
- Date: Fri, 18 Nov 2022 00:35:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-21 14:25:33.139036
- Title: Potential Auto-driving Threat: Universal Rain-removal Attack
- Title（参考訳）: 自動運転車の脅威:ユニバーサル・レイン排除攻撃
- Authors: Jinchegn Hu, Jihao Li, Zhuoran Hou, Jingjing Jiang, Cunjia Liu and
Yuanjian Zhang
- Abstract要約: 本稿では,画像雨量除去アルゴリズムの脆弱性に対する共通雨量除去攻撃(URA)を提案する。
URAはシーン修復能力を39.5%削減し、画像生成品質を26.4%削減した。
URAは、画像雨除去アルゴリズムの脆弱性検出にとって重要なツールであると考えられる。
- 参考スコア（独自算出の注目度）: 4.295658028319317
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The problem of robustness in adverse weather conditions is considered a
significant challenge for computer vision algorithms in the applicants of
autonomous driving. Image rain removal algorithms are a general solution to
this problem. They find a deep connection between raindrops/rain-streaks and
images by mining the hidden features and restoring information about the
rain-free environment based on the powerful representation capabilities of
neural networks. However, previous research has focused on architecture
innovations and has yet to consider the vulnerability issues that already exist
in neural networks. This research gap hints at a potential security threat
geared toward the intelligent perception of autonomous driving in the rain. In
this paper, we propose a universal rain-removal attack (URA) on the
vulnerability of image rain-removal algorithms by generating a non-additive
spatial perturbation that significantly reduces the similarity and image
quality of scene restoration. Notably, this perturbation is difficult to
recognise by humans and is also the same for different target images. Thus, URA
could be considered a critical tool for the vulnerability detection of image
rain-removal algorithms. It also could be developed as a real-world artificial
intelligence attack method. Experimental results show that URA can reduce the
scene repair capability by 39.5% and the image generation quality by 26.4%,
targeting the state-of-the-art (SOTA) single-image rain-removal algorithms
currently available.
- Abstract（参考訳）: 悪天候条件における堅牢性の問題は、自律運転の応募者にとってコンピュータビジョンアルゴリズムにとって重要な課題であると考えられている。
画像雨量除去アルゴリズムはこの問題の一般的な解決策である。
彼らは、隠れた特徴をマイニングし、ニューラルネットワークの強力な表現能力に基づいて雨のない環境に関する情報を復元することで、雨滴/雨裂と画像の深い関係を見出す。
しかし、以前の研究はアーキテクチャの革新に焦点を当てており、ニューラルネットワークにすでに存在する脆弱性の問題をまだ検討していない。
この研究のギャップは、雨の中における自動運転のインテリジェントな認識に向けた潜在的なセキュリティの脅威を示唆している。
本稿では,シーン復元の類似性と画像品質を著しく低減する非付加的な空間摂動を生成することにより,画像雨除去アルゴリズムの脆弱性に対する共通雨除去攻撃(URA)を提案する。
特に、この摂動は人間の認識が困難であり、異なる対象画像に対しても同じである。
したがって、URAは画像雨除去アルゴリズムの脆弱性検出にとって重要なツールであると考えられる。
また、現実世界の人工知能攻撃方法として開発することもできる。
実験の結果、uraはシーン修復能力を39.5%、画像生成品質を26.4%削減でき、現在利用可能な最先端の雨除去アルゴリズムをターゲットとしている。
関連論文リスト
- RIGID: A Training-free and Model-Agnostic Framework for Robust AI-Generated Image Detection [60.960988614701414]
RIGIDは、堅牢なAI生成画像検出のためのトレーニング不要でモデルに依存しない方法である。
RIGIDは、既存のトレーニングベースおよびトレーニング不要な検出器を著しく上回っている。
論文 参考訳（メタデータ） (2024-05-30T14:49:54Z) - NiteDR: Nighttime Image De-Raining with Cross-View Sensor Cooperative Learning for Dynamic Driving Scenes [49.92839157944134]
夜間の運転シーンでは、不十分で不均一な照明が暗闇の中でシーンを遮蔽し、画質と可視性が低下する。
雨天時の運転シーンに適した画像デライニング・フレームワークを開発した。
雨の人工物を取り除き、風景表現を豊かにし、有用な情報を復元することを目的としている。
論文 参考訳（メタデータ） (2024-02-28T09:02:33Z) - RainSD: Rain Style Diversification Module for Image Synthesis
Enhancement using Feature-Level Style Distribution [5.500457283114346]
本稿では,実際の道路データセットBDD100Kから発生するセンサブロックを用いた道路合成データセットを提案する。
このデータセットを用いて、自律運転のための多様なマルチタスクネットワークの劣化を評価し、分析した。
深層ニューラルネットワークを用いた自動運転車の認識システムの性能劣化傾向を深く分析した。
論文 参考訳（メタデータ） (2023-12-31T11:30:42Z) - Dual Adversarial Resilience for Collaborating Robust Underwater Image
Enhancement and Perception [54.672052775549]
本研究では,水中画像の強調と検出を行うために,CARNetと呼ばれる協調的対向レジリエンスネットワークを導入する。
本稿では,ネットワークが様々な種類の攻撃を識別・除去できるように,視覚駆動型と知覚駆動型の両方による同時攻撃訓練戦略を提案する。
実験により,提案手法は画像の高画質化を図り,最先端の手法よりも平均6.71%高い検出精度が得られた。
論文 参考訳（メタデータ） (2023-09-03T06:52:05Z) - QSAM-Net: Rain streak removal by quaternion neural network with
self-attention module [3.8781057504896563]
リモートセンシング、画像またはビデオ検索、屋外監視における現実世界のアプリケーションで撮影された画像は、悪天候によって引き起こされる劣化した品質に悩まされる。
雨や霧のような条件は、視覚分析を困難にし、ハイレベルなコンピュータビジョン手法の性能を制限する人工物を導入します。
本稿は,QSAM-Netと呼ばれる自己アテンションモジュールを用いて,雨害を除去する新しい4段階多段階ニューラルネットワークを開発することを目的とする。
論文 参考訳（メタデータ） (2022-08-08T18:09:39Z) - Towards Robust Rain Removal Against Adversarial Attacks: A Comprehensive
Benchmark Analysis and Beyond [85.06231315901505]
雨の除去は、画像やビデオから雨の流れを取り除き、雨による破壊的な影響を減らすことを目的としている。
本稿では, 深層学習に基づく雨害防止手法の強靭性に関する総合的な研究を初めて行おうとする。
論文 参考訳（メタデータ） (2022-03-31T10:22:24Z) - UnfairGAN: An Enhanced Generative Adversarial Network for Raindrop
Removal from A Single Image [8.642603456626391]
UnfairGANは、エッジや雨量推定といった事前の高レベル情報を活用することで、デライニング性能を向上させることができる、改良された生成的敵ネットワークである。
提案手法は, 定量的な計測値と視覚的品質に関する降雨量について, 従来の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-10-11T18:02:43Z) - RCDNet: An Interpretable Rain Convolutional Dictionary Network for
Single Image Deraining [49.99207211126791]
雨畳み込み辞書ネットワーク(RCDNet)と呼ばれる,新しい深層アーキテクチャを具体的に構築する。
RCDNetは雨害の本質的な先行を埋め込んでおり、明確な解釈性を持っている。
このような解釈可能なネットワークをエンドツーエンドにトレーニングすることにより、関連するすべてのレインカーネルと近位演算子を自動的に抽出することができる。
論文 参考訳（メタデータ） (2021-07-14T16:08:11Z) - Beyond Monocular Deraining: Parallel Stereo Deraining Network Via
Semantic Prior [103.49307603952144]
ほとんどの既存の脱雨アルゴリズムは単一の入力画像のみを使用し、クリーンな画像の復元を目指しています。
本稿では,ステレオ画像とセマンティック情報の両方を利用するPaired Rain Removal Network(PRRNet)を提案する。
単分子および新たに提案したステレオ降雨データセットの両方の実験により,提案手法が最先端の性能を達成することを示す。
論文 参考訳（メタデータ） (2021-05-09T04:15:10Z) - Raindrops on Windshield: Dataset and Lightweight Gradient-Based
Detection Algorithm [0.0]
本稿では,視覚アルゴリズムの性能をトレーニングし,カメラレンズやフロントガラスのイメージアーティファクト検出の異なるタスクに対して評価するための新しいデータセットを提案する。
また,画像上に合成雨滴を生成可能なデータ拡張アルゴリズムを提案する。
提案アルゴリズムは降雨量検出の精度と画像処理速度を向上し,実際の自律システムの自己検査手法に適用できることを示した。
論文 参考訳（メタデータ） (2021-04-11T19:04:59Z) - Physical Model Guided Deep Image Deraining [10.14977592107907]
降雨画像の劣化により、多くのコンピュータビジョンシステムが動作しないため、単一画像のデライン化は緊急の課題である。
本研究では, 物理モデルを用いた単一画像デライニングのための新しいネットワークを提案する。
論文 参考訳（メタデータ） (2020-03-30T07:08:13Z)
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。