Fugu-MT 論文翻訳(概要): Benchmarking the Physical-world Adversarial Robustness of Vehicle Detection

論文の概要: Benchmarking the Physical-world Adversarial Robustness of Vehicle Detection

arxiv url: http://arxiv.org/abs/2304.05098v1
Date: Tue, 11 Apr 2023 09:48:25 GMT
ステータス: 処理完了
システム内更新日: 2023-04-12 15:31:35.016134
Title: Benchmarking the Physical-world Adversarial Robustness of Vehicle Detection
Title（参考訳）: 車両検出の物理世界対向ロバスト性に関するベンチマーク
Authors: Tianyuan Zhang, Yisong Xiao, Xiaoya Zhang, Hao Li, Lu Wang
Abstract要約: 物理世界の敵対的攻撃は、検出モデルの堅牢性を損なう可能性がある。 Yolo v6は6.59%のAP降下率で強い抵抗を示し、ASAは14.51%のAP減少率を持つ最も効果的な攻撃アルゴリズムであった。
参考スコア（独自算出の注目度）: 14.202833467294765
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Adversarial attacks in the physical world can harm the robustness of detection models. Evaluating the robustness of detection models in the physical world can be challenging due to the time-consuming and labor-intensive nature of many experiments. Thus, virtual simulation experiments can provide a solution to this challenge. However, there is no unified detection benchmark based on virtual simulation environment. To address this challenge, we proposed an instant-level data generation pipeline based on the CARLA simulator. Using this pipeline, we generated the DCI dataset and conducted extensive experiments on three detection models and three physical adversarial attacks. The dataset covers 7 continuous and 1 discrete scenes, with over 40 angles, 20 distances, and 20,000 positions. The results indicate that Yolo v6 had strongest resistance, with only a 6.59% average AP drop, and ASA was the most effective attack algorithm with a 14.51% average AP reduction, twice that of other algorithms. Static scenes had higher recognition AP, and results under different weather conditions were similar. Adversarial attack algorithm improvement may be approaching its 'limitation'.
Abstract（参考訳）: 物理世界の敵攻撃は、検出モデルの堅牢性を損なう可能性がある。物理世界における検出モデルの堅牢性を評価することは、多くの実験の時間と労働集約性のために困難である。したがって、仮想シミュレーション実験はこの課題に対する解決策を提供することができる。しかし,仮想シミュレーション環境に基づく統一検出ベンチマークは存在しなかった。この課題に対処するため、我々はCARLAシミュレータに基づくインスタントレベルデータ生成パイプラインを提案する。このパイプラインを用いてdciデータセットを作成し、3つの検出モデルと3つの物理敵攻撃に関する広範な実験を行った。データセットは7つの連続シーンと1つの離散シーンをカバーしており、40以上の角度、20の距離、20,000の位置に位置している。その結果、Yolo v6は6.59%のAP降下率で強い抵抗を示し、ASAは他のアルゴリズムの2倍の14.51%のAP減少率を持つ最も効果的な攻撃アルゴリズムであった。静的なシーンはAPの認知度が高く、異なる気象条件下での結果も同様であった。敵攻撃アルゴリズムの改善は「上昇」に近づいている可能性がある。

関連論文リスト

LiDAttack: Robust Black-box Attack on LiDAR-based Object Detection [5.727912884983492]
LiDAttackは、LiDARセンサーに対する堅牢なブラックボックス敵攻撃である。実験は、3つの支配的なオブジェクト検出モデルを持つ3つのデータセット(KITTI、nuScenes、自己構築データ)で実施される。その結果、LiDAttackは広範囲の物体検出モデルをターゲットにしており、攻撃成功率(ASR)は最大90%であることがわかった。
論文参考訳（メタデータ） (2024-11-04T08:37:12Z)
Real-Time Dynamic Scale-Aware Fusion Detection Network: Take Road Damage Detection as an example [3.334973867478745]
道路被害検知(RDD)は,都市部における日常のメンテナンスと安全のために重要である。現在のUAVベースのRDD研究は、まだ多くの課題に直面している。背景干渉を自動的に除去できるマルチスケール適応道路損傷検出モデルを設計する。
論文参考訳（メタデータ） (2024-09-04T09:03:47Z)
Fast Information Streaming Handler (FisH): A Unified Seismic Neural Network for Single Station Real-Time Earthquake Early Warning [56.45067876391473]
既存のEEWアプローチは、フェーズの選択、位置推定、大きさ推定を独立したタスクとして扱い、統一されたフレームワークを欠いている。我々は高速情報ストリーミングハンドラー(FisH)と呼ばれる新しい統合型地震波ニューラルネットワークを提案する。 FisHは、リアルタイムストリーミング地震データを処理し、位相選択、位置推定、大きさ推定をエンドツーエンドで同時生成するように設計されている。
論文参考訳（メタデータ） (2024-08-13T04:33:23Z)
First-principles Based 3D Virtual Simulation Testing for Discovering SOTIF Corner Cases of Autonomous Driving [5.582213904792781]
本稿では,第1原理に基づくセンサモデリングと環境相互作用手法を提案し,それをCARLAシミュレータに統合する。メタヒューリスティックアルゴリズムは、いくつかの経験的洞察に基づいて設計され、シードシナリオと突然変異の両方を導く。シミュレーションのセットアップは同じで、我々のアルゴリズムは最先端の作業の約4倍のコーナーケースを発見できる。
論文参考訳（メタデータ） (2024-01-22T12:02:32Z)
Exploring the Physical World Adversarial Robustness of Vehicle Detection [13.588120545886229]
アドリアックは現実世界の検知モデルの堅牢性を損なう可能性がある。 CARLAシミュレータを用いた革新的なインスタントレベルデータ生成パイプラインを提案する。本研究は, 逆境条件下での多種多様なモデル性能について考察した。
論文参考訳（メタデータ） (2023-08-07T11:09:12Z)
DeepAccident: A Motion and Accident Prediction Benchmark for V2X Autonomous Driving [76.29141888408265]
本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
論文参考訳（メタデータ） (2023-04-03T17:37:00Z)
SimuShips -- A High Resolution Simulation Dataset for Ship Detection with Precise Annotations [0.0]
畳み込みニューラルネットワーク(CNN)に基づく最先端の障害物検出アルゴリズム SimuShipsは、海洋環境向けに公開されているシミュレーションベースのデータセットである。
論文参考訳（メタデータ） (2022-09-22T07:33:31Z)
Evaluating the Robustness of Semantic Segmentation for Autonomous Driving against Real-World Adversarial Patch Attacks [62.87459235819762]
自動運転車のような現実のシナリオでは、現実の敵例(RWAE)にもっと注意を払わなければならない。本稿では,デジタルおよび実世界の敵対パッチの効果を検証し,一般的なSSモデルのロバスト性を詳細に評価する。
論文参考訳（メタデータ） (2021-08-13T11:49:09Z)
Disentangle Your Dense Object Detector [82.22771433419727]
深層学習に基づく高密度物体検出器はここ数年で大きな成功を収め、ビデオ理解などのマルチメディアアプリケーションにも応用されてきた。しかし、現在の高密度検出器の訓練パイプラインは、保持できない多くの接続に妥協されている。そこで本研究では, 簡易かつ効果的な遠心分離機構を設計し, 現在の最先端検出器に統合するDED(Disentangled Dense Object Detector)を提案する。
論文参考訳（メタデータ） (2021-07-07T00:52:16Z)
Cycle and Semantic Consistent Adversarial Domain Adaptation for Reducing Simulation-to-Real Domain Shift in LiDAR Bird's Eye View [110.83289076967895]
ドメイン適応プロセス中に関心のある小さなオブジェクトの情報を保存するために,事前の意味分類を用いたサイクガンに基づくbevドメイン適応法を提案する。生成したBEVの品質は,KITTI 3D Object Detection Benchmarkの最先端3Dオブジェクト検出フレームワークを用いて評価されている。
論文参考訳（メタデータ） (2021-04-22T12:47:37Z)
From Sound Representation to Model Robustness [82.21746840893658]
本研究では, 環境音の標準的な表現(スペクトログラム)が, 被害者の残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。 3つの環境音響データセットの様々な実験から、ResNet-18モデルは、他のディープラーニングアーキテクチャよりも優れていることがわかった。
論文参考訳（メタデータ） (2020-07-27T17:30:49Z)

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。