論文の概要: DAP: A Dynamic Adversarial Patch for Evading Person Detectors
- arxiv url: http://arxiv.org/abs/2305.11618v1
- Date: Fri, 19 May 2023 11:52:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-22 14:37:43.472415
- Title: DAP: A Dynamic Adversarial Patch for Evading Person Detectors
- Title（参考訳）: DAP: Evading Person Detectorのための動的対向パッチ
- Authors: Amira Guesmi, Ruitian Ding, Muhammad Abdullah Hanif, Ihsen Alouani,
Muhammad Shafique
- Abstract要約: GANを使わずに自然主義的逆パッチを生成するための新しいアプローチを提案する。
提案手法は,実世界のシナリオにおいて高い攻撃効率とロバスト性を保ちながら,自然的に見える動的適応パッチ(DAP)を生成する。
- 参考スコア（独自算出の注目度）: 11.509032132972065
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we present a novel approach for generating naturalistic
adversarial patches without using GANs. Our proposed approach generates a
Dynamic Adversarial Patch (DAP) that looks naturalistic while maintaining high
attack efficiency and robustness in real-world scenarios. To achieve this, we
redefine the optimization problem by introducing a new objective function,
where a similarity metric is used to construct a similarity loss. This guides
the patch to follow predefined patterns while maximizing the victim model's
loss function. Our technique is based on directly modifying the pixel values in
the patch which gives higher flexibility and larger space to incorporate
multiple transformations compared to the GAN-based techniques. Furthermore,
most clothing-based physical attacks assume static objects and ignore the
possible transformations caused by non-rigid deformation due to changes in a
person's pose. To address this limitation, we incorporate a ``Creases
Transformation'' (CT) block, i.e., a preprocessing block following an
Expectation Over Transformation (EOT) block used to generate a large variation
of transformed patches incorporated in the training process to increase its
robustness to different possible real-world distortions (e.g., creases in the
clothing, rotation, re-scaling, random noise, brightness and contrast
variations, etc.). We demonstrate that the presence of different real-world
variations in clothing and object poses (i.e., above-mentioned distortions)
lead to a drop in the performance of state-of-the-art attacks. For instance,
these techniques can merely achieve 20\% in the physical world and 30.8\% in
the digital world while our attack provides superior success rate of up to 65\%
and 84.56\%, respectively when attacking the YOLOv3tiny detector deployed in
smart cameras at the edge.
- Abstract（参考訳）: 本稿では,GANを使わずに自然主義的逆パッチを生成する新しい手法を提案する。
提案手法は,実世界のシナリオにおいて高い攻撃効率とロバスト性を保ちながら,自然的に見える動的適応パッチ(DAP)を生成する。
これを実現するために、類似度メトリックを用いて類似度損失を構成する新しい目的関数を導入することにより、最適化問題を再定義する。
これにより、被害者モデルの損失関数を最大化しながら、事前に定義されたパターンに従うパッチがガイドされる。
本手法は、GANベースの手法と比較して、高い柔軟性と大きな空間を提供するパッチの画素値を直接修正することに基づいている。
さらに、衣服ベースの物理的攻撃の多くは静的な物体を想定し、人のポーズの変化による非剛性変形による変形を無視する。
この制限に対処するために、"creases transformation'(ct)"ブロック、すなわち、トレーニングプロセスに組み込まれた変換パッチの多種多様なバリエーションを生成するために使用される変換オーバートランスフォーメーション(eot)ブロックに続く前処理ブロックを組み込んで、異なる現実世界の歪み(例えば、衣服の折り目、回転、再スケーリング、ランダムノイズ、輝度、コントラスト変化など)に対して頑健性を高める。
衣服や物体のポーズ(上述の歪み)に異なる現実世界のバリエーションが存在することが、最先端の攻撃性能の低下につながることを実証する。
例えば、これらの技術は、デジタル世界では、物理世界では20%、デジタル世界では30.8%しか達成できないが、我々の攻撃は、エッジのスマートカメラに配備されたYOLOv3tiny検出器を攻撃する際に、それぞれ65\%と84.56\%の優れた成功率を提供する。
関連論文リスト
- Towards Robust Semantic Segmentation against Patch-based Attack via Attention Refinement [68.31147013783387]
我々は,アテンション機構がパッチベースの敵攻撃に弱いことを観察した。
本稿では,意味的セグメンテーションモデルの堅牢性を改善するために,ロバスト注意機構(RAM)を提案する。
論文 参考訳（メタデータ） (2024-01-03T13:58:35Z) - MVPatch: More Vivid Patch for Adversarial Camouflaged Attacks on Object Detectors in the Physical World [7.1343035828597685]
我々は、一般化理論を敵対的パッチ(AP)の文脈に導入する。
本稿では、転送性、ステルス性、実用性を向上させるために、DPBF(Dual-Perception-Based Framework)を提案する。
MVPatchは、デジタルドメインと物理ドメインの両方において、優れた転送可能性と自然な外観を実現し、その有効性とステルス性を強調している。
論文 参考訳（メタデータ） (2023-12-29T01:52:22Z) - DOEPatch: Dynamically Optimized Ensemble Model for Adversarial Patches Generation [12.995762461474856]
本稿では, エネルギーの概念を導入し, 相手のカテゴリの総エネルギーを最小化するために, 相手のパッチ生成過程を, 相手のパッチの最適化として扱う。
逆行訓練を採用することにより,動的に最適化されたアンサンブルモデルを構築する。
我々は6つの比較実験を行い、本アルゴリズムを5つの主流物体検出モデルで検証した。
論文 参考訳（メタデータ） (2023-12-28T08:58:13Z) - Unified Adversarial Patch for Visible-Infrared Cross-modal Attacks in
the Physical World [11.24237636482709]
我々は,単一パッチを同時に両モードで回避し,クロスモーダルな物理的攻撃を行える統一逆襲パッチを設計する。
本稿では, 対向パッチのコンパクトかつ滑らかな形状を実現することを目的とした, 境界制限型形状最適化手法を提案する。
提案手法はいくつかの最先端物体検出器に対して評価され,アタック成功率 (ASR) は80%以上である。
論文 参考訳（メタデータ） (2023-07-27T08:14:22Z) - 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) - Benchmarking Adversarial Patch Against Aerial Detection [11.591143898488312]
適応パッチに基づく新しい物理攻撃(AP-PA)フレームワークを提案する。
AP-PAは、物理力学と様々なスケールに適応する逆パッチを生成する。
航空探知作業における敵パッチの攻撃効果を評価するため, 包括的, 一貫性, 厳密なベンチマークを最初に確立した。
論文 参考訳（メタデータ） (2022-10-30T07:55:59Z) - Adv-Attribute: Inconspicuous and Transferable Adversarial Attack on Face
Recognition [111.1952945740271]
Adv-Attribute (Adv-Attribute) は、顔認証に対する不明瞭で伝達可能な攻撃を生成するように設計されている。
FFHQとCelebA-HQデータセットの実験は、提案されたAdv-Attributeメソッドが最先端の攻撃成功率を達成することを示している。
論文 参考訳（メタデータ） (2022-10-13T09:56:36Z) - Shadows can be Dangerous: Stealthy and Effective Physical-world
Adversarial Attack by Natural Phenomenon [79.33449311057088]
我々は、非常に一般的な自然現象であるシャドーによって摂動が生じる新しい種類の光対角運動例について研究する。
我々は,シミュレーション環境と実環境の両方において,この新たな攻撃の有効性を広く評価した。
論文 参考訳（メタデータ） (2022-03-08T02:40:18Z) - On the Real-World Adversarial Robustness of Real-Time Semantic
Segmentation Models for Autonomous Driving [59.33715889581687]
現実世界の敵対的な例(通常はパッチの形で)の存在は、安全クリティカルなコンピュータビジョンタスクにおけるディープラーニングモデルの使用に深刻な脅威をもたらす。
本稿では,異なる種類の対立パッチを攻撃した場合のセマンティックセグメンテーションモデルのロバスト性を評価する。
画素の誤分類を誘導する攻撃者の能力を改善するために, 新たな損失関数を提案する。
論文 参考訳（メタデータ） (2022-01-05T22:33:43Z) - 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) - Adaptive Feature Alignment for Adversarial Training [56.17654691470554]
CNNは通常、敵攻撃に対して脆弱であり、セキュリティに敏感なアプリケーションに脅威をもたらす。
任意の攻撃強度の特徴を生成するための適応的特徴アライメント(AFA)を提案する。
本手法は任意の攻撃強度の特徴を自動的に整列するように訓練されている。
論文 参考訳（メタデータ） (2021-05-31T17:01:05Z)
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。