論文の概要: Distracting Downpour: Adversarial Weather Attacks for Motion Estimation
- arxiv url: http://arxiv.org/abs/2305.06716v2
- Date: Thu, 27 Jul 2023 11:14:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-28 20:02:56.725081
- Title: Distracting Downpour: Adversarial Weather Attacks for Motion Estimation
- Title(参考訳): 気晴らしの悪影響: 動き推定のための逆向きの天候攻撃
- Authors: Jenny Schmalfuss and Lukas Mehl and Andr\'es Bruhn
- Abstract要約: 本稿では、逆最適化された粒子を利用して気象効果を模倣する新たな動き推定手法を提案する。
我々の攻撃フレームワークの中核は、複数の時間ステップで粒子を一貫して統合する微分可能な粒子レンダリングシステムである。
我々は,運動推定に大きな影響を及ぼす逆向きの天候を得る。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Current adversarial attacks on motion estimation, or optical flow, optimize
small per-pixel perturbations, which are unlikely to appear in the real world.
In contrast, adverse weather conditions constitute a much more realistic threat
scenario. Hence, in this work, we present a novel attack on motion estimation
that exploits adversarially optimized particles to mimic weather effects like
snowflakes, rain streaks or fog clouds. At the core of our attack framework is
a differentiable particle rendering system that integrates particles (i)
consistently over multiple time steps (ii) into the 3D space (iii) with a
photo-realistic appearance. Through optimization, we obtain adversarial weather
that significantly impacts the motion estimation. Surprisingly, methods that
previously showed good robustness towards small per-pixel perturbations are
particularly vulnerable to adversarial weather. At the same time, augmenting
the training with non-optimized weather increases a method's robustness towards
weather effects and improves generalizability at almost no additional cost. Our
code will be available at https://github.com/cv-stuttgart/DistractingDownpour.
- Abstract(参考訳): 運動推定(光学フロー)に対する現在の敵対攻撃は、実世界では現れない小さなピクセル当たりの摂動を最適化する。
対照的に、悪天候はより現実的な脅威シナリオである。
そこで本研究では,雪片や雨天,霧雲などの気象効果を再現するために,逆最適化粒子を利用した動き推定手法を提案する。
我々の攻撃フレームワークの中核は、粒子を統合する微分可能な粒子レンダリングシステムである
(i)連続して複数の時間ステップ
(ii)3d空間へ
(三)写真リアリスティックな外観。
最適化により, 運動推定に大きな影響を及ぼす逆向きの天候を得る。
驚くべきことに、以前1ピクセルあたりの小さな摂動に対して良好な堅牢性を示した手法は、特に敵の天候に弱い。
同時に、非最適化の気象で訓練を増強することで、気象効果に対するロバスト性が向上し、ほぼ追加コストで一般化性が向上する。
私たちのコードはhttps://github.com/cv-stuttgart/distractingdownpourで利用できます。
関連論文リスト
- AllWeatherNet:Unified Image enhancement for autonomous driving under adverse weather and lowlight-conditions [24.36482818960804]
本稿では,悪条件により劣化した視覚的品質と明度を改善する方法を提案する。
我々の手法であるAllWeather-Netは、新しい階層型アーキテクチャを用いて、すべての悪条件をまたいで画像を強化する。
再学習することなく、最大3.9%のmIoU改善を達成し、未確認領域に適用することで、モデルの一般化能力を示す。
論文 参考訳(メタデータ) (2024-09-03T16:47:01Z) - RAUCA: A Novel Physical Adversarial Attack on Vehicle Detectors via Robust and Accurate Camouflage Generation [19.334642862951537]
本稿では,頑健で正確なカモフラージュ生成手法であるRAUCAを提案する。
RAUCAのコアはニューラルレンダリングコンポーネントであるNeural Renderer Plus(NRP)で、車両のテクスチャを正確に投影し、照明や天気などの環境特性を持つ画像を描画することができる。
6つの一般的な物体検出器の実験結果から、RAUCAはシミュレーションと実世界の両方の設定において、既存の手法を一貫して上回っていることが示されている。
論文 参考訳(メタデータ) (2024-02-24T16:50:10Z) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳(メタデータ) (2023-11-30T08:22:08Z) - ScatterNeRF: Seeing Through Fog with Physically-Based Inverse Neural
Rendering [83.75284107397003]
本稿では,シーンをレンダリングし,霧のない背景を分解するニューラルネットワークレンダリング手法であるScatterNeRFを紹介する。
本研究では,散乱量とシーンオブジェクトの非絡み合い表現を提案し,物理に着想を得た損失を伴ってシーン再構成を学習する。
マルチビューIn-the-Wildデータをキャプチャして,大規模な霧室内でのキャプチャを制御し,本手法の有効性を検証した。
論文 参考訳(メタデータ) (2023-05-03T13:24:06Z) - Attacking Motion Estimation with Adversarial Snow [0.0]
我々は, 現実の気象現象を, 逆向きに最適化された新しい雪に利用した。
通常の雪と区別がつかず,光学的流れに大きな影響を及ぼす逆向きの雪が得られる。
論文 参考訳(メタデータ) (2022-10-20T13:14:19Z) - 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) - Shape-invariant 3D Adversarial Point Clouds [111.72163188681807]
逆境と不可視性は、逆境の摂動の2つの基本的だが矛盾する性格である。
3Dポイントのクラウド認識に対する以前の敵対的攻撃は、しばしば目立ったポイントアウトリーチによって批判された。
本稿では,点摂動の効率性と非受容性を両立させる新しい点-クラウド感度マップを提案する。
論文 参考訳(メタデータ) (2022-03-08T12:21:35Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳(メタデータ) (2021-07-14T21:10:47Z) - Motion-Excited Sampler: Video Adversarial Attack with Sparked Prior [63.11478060678794]
そこで本研究では,前もってモーションアウェアノイズを得るための効果的なモーションエキサイティングサンプリング手法を提案する。
より少ないクエリ数で様々なビデオ分類モデルを攻撃することができる。
論文 参考訳(メタデータ) (2020-03-17T10:54:12Z)
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。