論文の概要: A Comprehensive Study of the Robustness for LiDAR-based 3D Object
Detectors against Adversarial Attacks
- arxiv url: http://arxiv.org/abs/2212.10230v3
- Date: Tue, 17 Oct 2023 13:14:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-18 22:50:53.603683
- Title: A Comprehensive Study of the Robustness for LiDAR-based 3D Object
Detectors against Adversarial Attacks
- Title（参考訳）: lidarを用いた3次元物体検出装置のロバスト性に関する包括的研究
- Authors: Yifan Zhang, Junhui Hou, Yixuan Yuan
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 84.10546708708554
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent years have witnessed significant advancements in deep learning-based
3D object detection, leading to its widespread adoption in numerous
applications. As 3D object detectors become increasingly crucial for
security-critical tasks, it is imperative to understand their robustness
against adversarial attacks. This paper presents the first comprehensive
evaluation and analysis of the robustness of LiDAR-based 3D detectors under
adversarial attacks. Specifically, we extend three distinct adversarial attacks
to the 3D object detection task, benchmarking the robustness of
state-of-the-art LiDAR-based 3D object detectors against attacks on the KITTI
and Waymo datasets. We further analyze the relationship between robustness and
detector properties. Additionally, we explore the transferability of
cross-model, cross-task, and cross-data attacks. Thorough experiments on
defensive strategies for 3D detectors are conducted, demonstrating that simple
transformations like flipping provide little help in improving robustness when
the applied transformation strategy is exposed to attackers. \revise{Finally,
we propose balanced adversarial focal training, based on conventional
adversarial training, to strike a balance between accuracy and robustness.} Our
findings will facilitate investigations into understanding and defending
against adversarial attacks on LiDAR-based 3D object detectors, thus advancing
the field. The source code is publicly available at
\url{https://github.com/Eaphan/Robust3DOD}.
- Abstract（参考訳）: 近年、ディープラーニングに基づく3dオブジェクト検出が大幅に進歩し、多くのアプリケーションで広く採用されている。
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ため、敵攻撃に対する堅牢性を理解することが不可欠である。
本稿では,LiDARを用いた3D検出器の対向攻撃時の強靭性評価と解析を行った。
具体的には、3つの異なる対向攻撃を3Dオブジェクト検出タスクに拡張し、最先端のLiDARベースの3Dオブジェクト検出器がKITTIおよびWaymoデータセットに対する攻撃に対して堅牢であることをベンチマークする。
さらに、ロバスト性と検出器特性の関係を解析する。
さらに、クロスモデル、クロスタスク、およびデータ横断攻撃の転送可能性についても検討する。
3次元検出器の防御戦略に関する詳細な実験を行い、フリップのような単純な変換が攻撃者に対して適用された変換戦略が露出した場合の堅牢性向上にはほとんど寄与しないことを示した。
そこで本研究では,従来の対人訓練に基づく対人焦点バランストレーニングを提案し,精度と頑健さのバランスをとる。
以上の結果から,LiDARをベースとした3次元物体検出装置の敵攻撃に対する理解と防御の促進が期待できる。
ソースコードは \url{https://github.com/Eaphan/Robust3DOD} で公開されている。
関連論文リスト
- ScAR: Scaling Adversarial Robustness for LiDAR Object Detection [6.472434306724611]
モデルの敵の堅牢性は、敵の攻撃に抵抗する能力である。
我々は,LiDARオブジェクト検出のためのブラックボックススケーリング逆攻撃法を提案する。
論文 参考訳（メタデータ） (2023-12-05T19:03:33Z) - 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) - On the Adversarial Robustness of Camera-based 3D Object Detection [21.091078268929667]
本研究では, カメラを用いた3次元物体検出手法の諸条件下でのロバスト性について検討する。
鳥眼ビューに基づく表現は, 局所攻撃に対する強い強靭性を示す。
深さ推定のないアプローチは、強い強靭性を示す可能性がある。
マルチフレームベニグインプットを組み込むことで、敵攻撃を効果的に軽減することができる。
論文 参考訳（メタデータ） (2023-01-25T18:59:15Z) - Unsupervised Domain Adaptation for Monocular 3D Object Detection via
Self-Training [57.25828870799331]
我々は、Mono3D上での教師なしドメイン適応のための新しい自己学習フレームワークSTMono3Dを提案する。
対象ドメイン上で適応的な擬似ラベルを生成するための教師学生パラダイムを開発する。
STMono3Dは、評価されたすべてのデータセットで顕著なパフォーマンスを達成し、KITTI 3Dオブジェクト検出データセットの完全な教師付き結果を超えています。
論文 参考訳（メタデータ） (2022-04-25T12:23:07Z) - Sensor Adversarial Traits: Analyzing Robustness of 3D Object Detection
Sensor Fusion Models [16.823829387723524]
我々は,高性能でオープンソースのセンサ融合モデルアーキテクチャの強靭性を敵攻撃に対して解析する。
LIDARセンサーを使用しているにもかかわらず、このモデルは、意図的に構築された画像ベースの敵攻撃に対して脆弱であることがわかった。
論文 参考訳（メタデータ） (2021-09-13T23:38:42Z) - ST3D: Self-training for Unsupervised Domain Adaptation on 3D
ObjectDetection [78.71826145162092]
点雲からの3次元物体検出における教師なし領域適応のための新しい領域適応型自己学習パイプラインST3Dを提案する。
当社のST3Dは、評価されたすべてのデータセットで最先端のパフォーマンスを達成し、KITTI 3Dオブジェクト検出ベンチマークで完全に監視された結果を超えます。
論文 参考訳（メタデータ） (2021-03-09T10:51:24Z) - 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) - 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) - SESS: Self-Ensembling Semi-Supervised 3D Object Detection [138.80825169240302]
具体的には、ラベルのない新しい未知のデータに基づくネットワークの一般化を促進するための、徹底的な摂動スキームを設計する。
我々のSESSは、50%のラベル付きデータを用いて、最先端の完全教師付き手法と比較して、競争性能を達成している。
論文 参考訳（メタデータ） (2019-12-26T08:48:04Z)
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。