論文の概要: NetFlick: Adversarial Flickering Attacks on Deep Learning Based Video Compression

• arxiv url: http://arxiv.org/abs/2304.01441v1
• Date: Tue, 4 Apr 2023 01:29:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-05 15:50:47.302229
• Title: NetFlick: Adversarial Flickering Attacks on Deep Learning Based Video Compression
• Title（参考訳）: NetFlick: ディープラーニングによるビデオ圧縮に対する敵対的フリック攻撃
• Authors: Jung-Woo Chang, Nojan Sheybani, Shehzeen Samarah Hussain, Mojan Javaheripi, Seira Hidano, Farinaz Koushanfar
• Abstract要約: ディープラーニングに基づくビデオ圧縮手法は、従来のアルゴリズムを置き換え、最先端デバイスに最先端の結果を提供する。 ビデオ圧縮フレームワークをターゲットにした実世界のLED攻撃を提示する。 NetFlickと呼ばれる我々の物理的に実現可能な攻撃は、フレッカリング時間的摂動を注入することで、連続するフレーム間の時間的相関を低下させることができる。 さらに,コンテンツに関する事前の知識を必要とせずに,受信映像の性能を低下させることができるユニバーサル摂動を提案する。
• 参考スコア（独自算出の注目度）: 19.88538977373161
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Video compression plays a significant role in IoT devices for the efficient transport of visual data while satisfying all underlying bandwidth constraints. Deep learning-based video compression methods are rapidly replacing traditional algorithms and providing state-of-the-art results on edge devices. However, recently developed adversarial attacks demonstrate that digitally crafted perturbations can break the Rate-Distortion relationship of video compression. In this work, we present a real-world LED attack to target video compression frameworks. Our physically realizable attack, dubbed NetFlick, can degrade the spatio-temporal correlation between successive frames by injecting flickering temporal perturbations. In addition, we propose universal perturbations that can downgrade performance of incoming video without prior knowledge of the contents. Experimental results demonstrate that NetFlick can successfully deteriorate the performance of video compression frameworks in both digital- and physical-settings and can be further extended to attack downstream video classification networks.
• Abstract（参考訳）: ビデオ圧縮は、すべての基盤となる帯域幅の制約を満たしながら、視覚データの効率的な転送において、IoTデバイスにおいて重要な役割を果たす。 ディープラーニングベースのビデオ圧縮手法は、従来のアルゴリズムを急速に置き換え、最先端の結果をエッジデバイスに提供する。 しかし,近年開発された対人攻撃は,映像圧縮の速度・歪み関係を破壊できることを示す。 本研究では,映像圧縮フレームワークを対象とした実世界のLED攻撃について述べる。 netflickと呼ばれる物理的に実現可能な攻撃は、フリックの時間的摂動を注入することで、連続するフレーム間の時空間的相関を低下させることができる。 さらに,コンテンツに関する事前の知識を必要とせずに,受信映像の性能を低下させることができるユニバーサル摂動を提案する。 実験により、NetFlickはデジタルおよび物理セットの両方でビデオ圧縮フレームワークの性能を低下させ、下流の動画分類ネットワークを攻撃するためにさらに拡張できることが示されている。

関連論文リスト

• Perceptual Quality Improvement in Videoconferencing using Keyframes-based GAN [28.773037051085318]
  本稿では,ビデオ会議における圧縮アーティファクト削減のための新しいGAN手法を提案する。 まず,圧縮および参照フレームからマルチスケールの特徴を抽出する。 そして、私たちのアーキテクチャは、顔のランドマークに従って、これらの特徴を段階的に組み合わせます。
  論文  参考訳（メタデータ） (2023-11-07T16:38:23Z)
• Learned Video Compression via Heterogeneous Deformable Compensation Network [78.72508633457392]
  不安定な圧縮性能の問題に対処するために,不均一変形補償戦略(HDCVC)を用いた学習ビデオ圧縮フレームワークを提案する。 より具体的には、提案アルゴリズムは隣接する2つのフレームから特徴を抽出し、コンテンツ近傍の不均一な変形(HetDeform)カーネルオフセットを推定する。 実験結果から,HDCVCは最近の最先端の学習ビデオ圧縮手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2022-07-11T02:31:31Z)
• Adversarial Attacks on Deep Learning-based Video Compression and Classification Systems [23.305818640220554]
  深層学習に基づくビデオ圧縮と下流分類システムに対する敵対的攻撃に対する最初の体系的研究を行う。 本稿では,2つの対向目標を達成するために,ビデオ圧縮モデルのレート・歪み関係を制御できる適応的対向攻撃を提案する。 また、ダウンストリームビデオ分類サービスに対して、ターゲットと未ターゲットの攻撃に対する新たな目的を考案する。
  論文  参考訳（メタデータ） (2022-03-18T22:42:20Z)
• Leveraging Bitstream Metadata for Fast, Accurate, Generalized Compressed Video Quality Enhancement [74.1052624663082]
  圧縮ビデオの細部を復元する深層学習アーキテクチャを開発した。 これにより,従来の圧縮補正法と比較して復元精度が向上することを示す。 我々は、ビットストリームで容易に利用できる量子化データに対して、我々のモデルを条件付けする。
  論文  参考訳（メタデータ） (2022-01-31T18:56:04Z)
• Perceptual Learned Video Compression with Recurrent Conditional GAN [158.0726042755]
  本稿では, PVC (Perceptual Learned Video Compression) アプローチを提案する。 PLVCは低ビットレートで映像を知覚品質に圧縮することを学ぶ。 ユーザスタディでは、最新の学習ビデオ圧縮手法と比較して、PLVCの優れた知覚性能をさらに検証している。
  論文  参考訳（メタデータ） (2021-09-07T13:36:57Z)
• Self-Conditioned Probabilistic Learning of Video Rescaling [70.10092286301997]
  本稿では,ビデオ再スケーリングのための自己条件付き確率的フレームワークを提案し,ペアダウンスケーリングとアップスケーリングの手順を同時に学習する。 我々は、その条件付き確率を強い時空間事前情報に基づいて最大化することにより、ダウンスケーリングで失われた情報のエントロピーを減少させる。 我々は、このフレームワークを、非微分産業損失コーデックの勾配推定器として提案する、損失のあるビデオ圧縮システムに拡張する。
  論文  参考訳（メタデータ） (2021-07-24T15:57:15Z)
• COMISR: Compression-Informed Video Super-Resolution [76.94152284740858]
  ウェブやモバイルデバイスのほとんどのビデオは圧縮され、帯域幅が制限されると圧縮は厳しい。 圧縮によるアーティファクトを導入せずに高解像度コンテンツを復元する圧縮インフォームドビデオ超解像モデルを提案する。
  論文  参考訳（メタデータ） (2021-05-04T01:24:44Z)
• Adversarial Distortion for Learned Video Compression [17.721259583120396]
  副次的対向歪みを最小化する深層対向学習ビデオ圧縮モデルを提案する。 最先端の学習ビデオ圧縮システムを用いた実験では,特に高圧縮下での知覚的アーティファクトの低減と詳細の再構築が実証された。
  論文  参考訳（メタデータ） (2020-04-20T17:06:31Z)
• Content Adaptive and Error Propagation Aware Deep Video Compression [110.31693187153084]
  本稿では,コンテンツ適応型・誤り伝搬対応型ビデオ圧縮システムを提案する。 本手法では, 複数フレームの圧縮性能を1フレームではなく複数フレームで考慮し, 共同学習手法を用いる。 従来の圧縮システムでは手作りのコーディングモードを使用する代わりに,オンラインエンコーダ更新方式をシステム内に設計する。
  論文  参考訳（メタデータ） (2020-03-25T09:04:24Z)

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。