論文の概要: To Make Yourself Invisible with Adversarial Semantic Contours

• arxiv url: http://arxiv.org/abs/2303.00284v1
• Date: Wed, 1 Mar 2023 07:22:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-02 15:42:27.165342
• Title: To Make Yourself Invisible with Adversarial Semantic Contours
• Title（参考訳）: 敵意の輪郭で目立たないようにする
• Authors: Yichi Zhang, Zijian Zhu, Hang Su, Jun Zhu, Shibao Zheng, Yuan He, Hui Xue
• Abstract要約: 逆セマンティック・コンター(英: Adversarial Semantic Contour、ASC)は、物体の輪郭の前に騙されたスパース・アタックのベイズ的定式化の見積もりである。 ASCは、異なるアーキテクチャを持つ9つの近代検出器の予測を損なう可能性があることを示す。 我々は、様々なアーキテクチャを持つ物体検出器の共通弱点である輪郭について注意を払って結論付けた。
• 参考スコア（独自算出の注目度）: 47.755808439588094
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern object detectors are vulnerable to adversarial examples, which may bring risks to real-world applications. The sparse attack is an important task which, compared with the popular adversarial perturbation on the whole image, needs to select the potential pixels that is generally regularized by an $\ell_0$-norm constraint, and simultaneously optimize the corresponding texture. The non-differentiability of $\ell_0$ norm brings challenges and many works on attacking object detection adopted manually-designed patterns to address them, which are meaningless and independent of objects, and therefore lead to relatively poor attack performance. In this paper, we propose Adversarial Semantic Contour (ASC), an MAP estimate of a Bayesian formulation of sparse attack with a deceived prior of object contour. The object contour prior effectively reduces the search space of pixel selection and improves the attack by introducing more semantic bias. Extensive experiments demonstrate that ASC can corrupt the prediction of 9 modern detectors with different architectures (\e.g., one-stage, two-stage and Transformer) by modifying fewer than 5\% of the pixels of the object area in COCO in white-box scenario and around 10\% of those in black-box scenario. We further extend the attack to datasets for autonomous driving systems to verify the effectiveness. We conclude with cautions about contour being the common weakness of object detectors with various architecture and the care needed in applying them in safety-sensitive scenarios.
• Abstract（参考訳）: 現代のオブジェクト検出器は敵の例に弱いため、現実世界のアプリケーションにリスクをもたらす可能性がある。 スパース・アタックは、画像全体の一般的な対向的摂動と比較して、一般に$\ell_0$-normの制約で正規化される潜在的なピクセルを選択し、対応するテクスチャを同時に最適化する必要がある重要なタスクである。 $\ell_0$ ノルムの非微分性は課題をもたらし、それに対応するために手動で設計されたパターンを採用したオブジェクト検出を攻撃する多くの作業がおこなわれる。 本稿では,物体の凹凸に先立って認識されたスパース攻撃のベイズ的定式化のMAP推定法であるAdversarial Semantic Contour (ASC)を提案する。 対象輪郭は、予め画素選択の探索空間を減らし、よりセマンティックなバイアスを導入して攻撃を改善する。 広範な実験により、ホワイトボックスシナリオではcocoのオブジェクト領域のピクセルの5\%以下、ブラックボックスシナリオでは10\%未満の変更によって、ascは異なるアーキテクチャを持つ9つの現代の検出器(例えば1段階、2段階トランスフォーマー)の予測を台無しにできることが示されている。 さらに、自律運転システムのデータセットに攻撃を拡大し、有効性を検証する。 コントラストは様々なアーキテクチャを持つ物体検出器の共通弱点であり、安全に敏感なシナリオに適用するために必要な注意が必要である。

関連論文リスト

• Imperceptible Face Forgery Attack via Adversarial Semantic Mask [59.23247545399068]
  本稿では, 対向性, 可視性に優れた対向性例を生成できるASMA(Adversarial Semantic Mask Attack framework)を提案する。 具体的には, 局所的なセマンティック領域の摂動を抑制し, 良好なステルス性を実現する, 対向型セマンティックマスク生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-06-16T10:38:11Z)
• ZoomNeXt: A Unified Collaborative Pyramid Network for Camouflaged Object Detection [70.11264880907652]
  最近のオブジェクト(COD)は、現実のシナリオでは極めて複雑で難しい、視覚的にブレンドされたオブジェクトを周囲に分割しようと試みている。 本研究では,不明瞭な画像を観察したり,ズームインしたりアウトしたりする際の人間の行動を模倣する,効果的な統合協調ピラミッドネットワークを提案する。 我々のフレームワークは、画像とビデオのCODベンチマークにおいて、既存の最先端の手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2023-10-31T06:11:23Z)
• AdvART: Adversarial Art for Camouflaged Object Detection Attacks [7.7889972735711925]
  本稿では,自然主義的かつ不明瞭な敵パッチを生成するための新しいアプローチを提案する。 本手法は,パッチ内の画素値を直接操作することで,高い柔軟性と広い空間を実現する。 我々の攻撃は、デジタルワールドとエッジのスマートカメラでそれぞれ91.19%と72%の優れた成功率を達成する。
  論文  参考訳（メタデータ） (2023-03-03T06:28:05Z)
• GLOW: Global Layout Aware Attacks for Object Detection [27.46902978168904]
  敵攻撃は、予測器が誤った結果を出力するような摂動画像を狙う。 本稿では,グローバルなレイアウト認識型敵攻撃を発生させることにより,様々な攻撃要求に対処するアプローチを提案する。 実験では,複数種類の攻撃要求を設計し,MS検証セット上でのアイデアの検証を行う。
  論文  参考訳（メタデータ） (2023-02-27T22:01:34Z)
• Object-Attentional Untargeted Adversarial Attack [11.800889173823945]
  本研究では,標的外攻撃に対する対象意図的攻撃法を提案する。 具体的には、まず、対象検出領域をYOLOv4からHVPNetから有能な対象検出領域と交差させてオブジェクト領域を生成する。 次に,SimBA(Simple Black-box Adversarial Attack)を利用して,検出対象領域に対してのみ敵攻撃を行う。
  論文  参考訳（メタデータ） (2022-10-16T07:45:13Z)
• Zero-Query Transfer Attacks on Context-Aware Object Detectors [95.18656036716972]
  敵は、ディープニューラルネットワークが誤った分類結果を生成するような摂動画像を攻撃する。 自然の多目的シーンに対する敵対的攻撃を防御するための有望なアプローチは、文脈整合性チェックを課すことである。 本稿では,コンテキスト整合性チェックを回避可能な,コンテキスト整合性攻撃を生成するための最初のアプローチを提案する。
  論文  参考訳（メタデータ） (2022-03-29T04:33:06Z)
• Adversarial Semantic Contour for Object Detection [36.641649442633984]
  本稿では,オブジェクトの輪郭によって案内されるASC(Adversarial Semantic Contour)の新たな手法を提案する。 提案するASCは,SSD512,Yolov4,Mask RCNN,Faster RCNNなど,主流のオブジェクト検出器を誤認することができる。
  論文  参考訳（メタデータ） (2021-09-30T11:03:06Z)
• Discriminator-Free Generative Adversarial Attack [87.71852388383242]
  生成的ベースの敵攻撃は、この制限を取り除くことができる。 ASymmetric Saliency-based Auto-Encoder (SSAE) は摂動を生成する。 SSAEが生成した敵の例は、広く使われているモデルを崩壊させるだけでなく、優れた視覚的品質を実現する。
  論文  参考訳（メタデータ） (2021-07-20T01:55:21Z)
• Sparse and Imperceptible Adversarial Attack via a Homotopy Algorithm [93.80082636284922]
  少数の敵対的攻撃は、数ピクセルを摂動するだけでディープ・ネットワーク(DNN)を騙すことができる。 近年の取り組みは、他の等級のl_infty摂動と組み合わせている。 本稿では,空間的・神経的摂動に対処するホモトピーアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-06-10T20:11:36Z)

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。