論文の概要: ACTIVE: Towards Highly Transferable 3D Physical Camouflage for Universal
and Robust Vehicle Evasion
- arxiv url: http://arxiv.org/abs/2308.07009v2
- Date: Wed, 16 Aug 2023 09:47:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-17 10:31:43.886871
- Title: ACTIVE: Towards Highly Transferable 3D Physical Camouflage for Universal
and Robust Vehicle Evasion
- Title（参考訳）: ACTIVE:Universal and Robust Vehicle Evasionのための高伝達性3D物理カモフラージュを目指して
- Authors: Naufal Suryanto, Yongsu Kim, Harashta Tatimma Larasati, Hyoeun Kang,
Thi-Thu-Huong Le, Yoonyoung Hong, Hunmin Yang, Se-Yoon Oh, Howon Kim
- Abstract要約: 本稿では,トランスファーブルおよび集中型車両侵入(ACTIVE:Adrial Camouflage for Transferable and Intensive Vehicle Evasion)について紹介する。
ACTIVEは、あらゆる3D車両を検出器から隠蔽できる、普遍的で堅牢な対向カモフラージュを生成する。
15種類の異なるモデルに対する実験は、様々な公共検出器における既存の研究を一貫して上回っていることを示している。
- 参考スコア（独自算出の注目度）: 3.5049174854580842
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Adversarial camouflage has garnered attention for its ability to attack
object detectors from any viewpoint by covering the entire object's surface.
However, universality and robustness in existing methods often fall short as
the transferability aspect is often overlooked, thus restricting their
application only to a specific target with limited performance. To address
these challenges, we present Adversarial Camouflage for Transferable and
Intensive Vehicle Evasion (ACTIVE), a state-of-the-art physical camouflage
attack framework designed to generate universal and robust adversarial
camouflage capable of concealing any 3D vehicle from detectors. Our framework
incorporates innovative techniques to enhance universality and robustness,
including a refined texture rendering that enables common texture application
to different vehicles without being constrained to a specific texture map, a
novel stealth loss that renders the vehicle undetectable, and a smooth and
camouflage loss to enhance the naturalness of the adversarial camouflage. Our
extensive experiments on 15 different models show that ACTIVE consistently
outperforms existing works on various public detectors, including the latest
YOLOv7. Notably, our universality evaluations reveal promising transferability
to other vehicle classes, tasks (segmentation models), and the real world, not
just other vehicles.
- Abstract（参考訳）: 敵対的なカモフラージュは、物体の表面全体を覆い隠して、あらゆる視点から物体検出器を攻撃する能力に注意を向けている。
しかし、トランスファー可能性の側面が見過ごされているため、既存のメソッドの普遍性と堅牢性はしばしば不足し、性能が制限された特定のターゲットにのみアプリケーションを制限する。
これらの課題に対処するために、我々は、あらゆる3D車両を検出器から隠蔽できる普遍的で堅牢な対向カモフラージュを生成するように設計された最先端の物理的カモフラージュ攻撃フレームワーク、Transferable and Intensive Vehicle Evasion (ACTIVE)を提示する。
本フレームワークは,特定のテクスチャマップに拘束されることなく,異なる車両に共通テクスチャを適用可能な改良されたテクスチャレンダリング,車両を検出不能にする新たなステルスロス,対向カモフラージュの自然性を高めるスムーズでカモフラージュロスなど,普遍性とロバスト性を高める革新的な技術を備えている。
我々の15の異なるモデルに関する広範な実験は、最新のyolov7を含む様々なパブリック検出器の既存の作品を一貫して上回っていることを示している。
特に、私たちの普遍性評価は、他の車種、タスク(セグメンテーションモデル)、そして現実世界への有望な転送可能性を明らかにします。
関連論文リスト
- Toward Robust and Accurate Adversarial Camouflage Generation against Vehicle Detectors [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、車両のテクスチャを正確に最適化し投影できる新しいニューラルネットワークレンダリングコンポーネントであるEnd-to-End Neural Renderer Plus (E2E-NRP)である。
さらに、我々は、E2E-NRPを活用して攻撃堅牢性を高めるために、カモフラージュ生成のためのマルチウェザーデータセットを統合する。
論文 参考訳（メタデータ） (2024-11-15T08:17:08Z) - 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) - TPatch: A Triggered Physical Adversarial Patch [19.768494127237393]
音響信号によって引き起こされる物理的対向パッチであるTPatchを提案する。
運転者の疑念を避けるため,コンテンツベースカモフラージュ法と攻撃強化法を提案する。
論文 参考訳（メタデータ） (2023-12-30T06:06:01Z) - Camouflaged Image Synthesis Is All You Need to Boost Camouflaged
Detection [65.8867003376637]
本研究では,カモフラージュデータの合成フレームワークを提案する。
提案手法では,既存の物体検出モデルのトレーニングに使用可能な,現実的なカモフラージュ画像の生成に生成モデルを用いる。
我々のフレームワークは3つのデータセット上で最先端の手法より優れています。
論文 参考訳（メタデータ） (2023-08-13T06:55:05Z) - DTA: Physical Camouflage Attacks using Differentiable Transformation
Network [0.4215938932388722]
本研究では,物体検出モデルに対して,対象物体上の頑健な物理的対角パターンを生成するためのフレームワークを提案する。
我々の攻撃フレームワークを利用することで、敵はレガシーなフォトリアリスティックの利点と、ホワイトボックスアクセスの利点の両方を得ることができる。
実験の結果,我々のキャモフラージュした3D車両は,最先端の物体検出モデルを回避することができた。
論文 参考訳（メタデータ） (2022-03-18T10:15:02Z) - 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) - FCA: Learning a 3D Full-coverage Vehicle Camouflage for Multi-view
Physical Adversarial Attack [5.476797414272598]
そこで本研究では,FCA(Full-coverage Camouflage Attack)を提案する。
具体的には、まず、平面でないカモフラージュテクスチャを全車表面上でレンダリングする。
次に、レンダリングされたカモフラージュされた車両をフォトリアリスティックなシナリオに変換する変換関数を導入する。
論文 参考訳（メタデータ） (2021-09-15T10:17:12Z) - Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。
本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
論文 参考訳（メタデータ） (2021-04-19T11:48:13Z) - Exploring Adversarial Robustness of Multi-Sensor Perception Systems in
Self Driving [87.3492357041748]
本稿では,敵物体をホスト車両の上に配置することで,マルチセンサ検出の実用的感受性を示す。
実験の結果, 攻撃が成功した原因は主に画像の特徴が損なわれやすいことが判明した。
よりロバストなマルチモーダル知覚システムに向けて,特徴分断を伴う敵対的訓練が,このような攻撃に対するロバスト性を大幅に高めることを示す。
論文 参考訳（メタデータ） (2021-01-17T21:15:34Z) - Temporally-Transferable Perturbations: Efficient, One-Shot Adversarial
Attacks for Online Visual Object Trackers [81.90113217334424]
本研究では, オブジェクトテンプレート画像からのみ, 一時移動可能な対人的摂動を生成するフレームワークを提案する。
この摂動はあらゆる検索画像に追加され、事実上何のコストもかからないが、それでもトラッカーを騙すのに成功している。
論文 参考訳（メタデータ） (2020-12-30T15:05:53Z) - Physically Realizable Adversarial Examples for LiDAR Object Detection [72.0017682322147]
本稿では,LiDAR検出器を騙すために,汎用な3次元対向物体を生成する手法を提案する。
特に,LiDAR検出器から車両を完全に隠蔽するために,車両の屋根上に対向物体を配置し,その成功率は80%であることを示した。
これは、限られたトレーニングデータから見知らぬ条件下での、より安全な自動運転への一歩だ。
論文 参考訳（メタデータ） (2020-04-01T16:11:04Z)
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。