Fugu-MT 論文翻訳(概要): SSL-OTA: Unveiling Backdoor Threats in Self-Supervised Learning for Object Detection

論文の概要: SSL-OTA: Unveiling Backdoor Threats in Self-Supervised Learning for Object Detection

arxiv url: http://arxiv.org/abs/2401.00137v2
Date: Wed, 12 Jun 2024 06:38:13 GMT
ステータス: 処理完了
システム内更新日: 2024-06-13 23:13:33.906308
Title: SSL-OTA: Unveiling Backdoor Threats in Self-Supervised Learning for Object Detection
Title（参考訳）: SSL-OTA: オブジェクト検出のための自己監視学習におけるバックドア脅威の解消
Authors: Qiannan Wang, Changchun Yin, Lu Zhou, Liming Fang,
Abstract要約: 我々は、SSL-OTA(Object Transform Attack)と呼ばれるSSLシナリオにおけるオブジェクト検出タスク用に設計された最初のバックドアアタックを提案する。 SSL-OTAは、ターゲットオブジェクトの予測を所望のカテゴリに変更できるトリガーを使用する。我々は、ベンチマークデータセットに関する広範な実験を行い、提案した攻撃の有効性と潜在的な防御に対する抵抗性を実証した。
参考スコア（独自算出の注目度）: 8.178238811631093
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The extensive adoption of Self-supervised learning(SSL) has led to an increased security threat from backdoor attacks. While existing research has mainly focused on backdoor attacks in image classification, there has been limited exploration of their implications for object detection. Object detection plays a critical role in security-sensitive applications, such as autonomous driving, where backdoor attacks seriously threaten human life and property. In this work, we propose the first backdoor attack designed for object detection tasks in SSL scenarios, called Object Transform Attack (SSL-OTA). SSL-OTA employs a trigger capable of altering predictions of the target object to the desired category, encompassing two attacks: Naive Attack(NA) and Dual-Source Blending Attack (DSBA). NA conducts data poisoning during downstream fine-tuning of the object detector, while DSBA additionally injects backdoors into the pre-trained encoder. We establish appropriate metrics and conduct extensive experiments on benchmark datasets, demonstrating the effectiveness of our proposed attack and its resistance to potential defenses. Notably, both NA and DSBA achieve high attack success rates (ASR) at extremely low poisoning rates (0.5%). The results underscore the importance of considering backdoor threats in SSL-based object detection and contribute a novel perspective to the field.
Abstract（参考訳）: 自己監視学習(SSL)が広く採用され、バックドア攻撃によるセキュリティ上の脅威が増大した。既存の研究では主に画像分類におけるバックドア攻撃に焦点が当てられているが、対象検出に影響を及ぼすものは限られている。オブジェクト検出は、自律運転のようなセキュリティに敏感なアプリケーションにおいて重要な役割を果たす。本研究では、SSLシナリオにおけるオブジェクト検出タスク用に設計された最初のバックドアアタックを提案し、オブジェクト変換アタック(SSL-OTA)と呼ぶ。 SSL-OTAは、ターゲットオブジェクトの予測を望ましいカテゴリに変更できるトリガーを使用しており、Naive Attack(NA)とDual-Source Blending Attack(DSBA)の2つの攻撃を含んでいる。 NAはオブジェクト検出器の下流の微調整中にデータ中毒を起こし、DSBAは事前訓練されたエンコーダにバックドアを注入する。適切なメトリクスを確立し、ベンチマークデータセット上で広範な実験を行い、提案した攻撃の有効性と潜在的な防御に対する抵抗性を実証する。特に、NAとDSBAは高い攻撃成功率(ASR)を極端に低い毒性率(0.5%)で達成している。その結果、SSLベースのオブジェクト検出において、バックドアの脅威を考慮することが重要であり、この分野に新たな視点をもたらすことの重要性を浮き彫りにした。

関連論文リスト

AnywhereDoor: Multi-Target Backdoor Attacks on Object Detection [9.539021752700823]
AnywhereDoorは、オブジェクト検出に適した柔軟なバックドア攻撃だ。攻撃者に対して高い制御能力を提供し、攻撃成功率を80%近く向上させる。
論文参考訳（メタデータ） (2024-11-21T15:50:59Z)
On the Credibility of Backdoor Attacks Against Object Detectors in the Physical World [27.581277955830746]
アプリケーション設定における物理オブジェクトトリガーによるバックドア攻撃の有効性について検討する。我々は、MORPHingと呼ばれる新しいコスト効率の高い攻撃方法を構築し、検出タスクのユニークな性質を取り入れた。私たちは、現実世界のバックドア攻撃の広範なビデオテストセットをリリースしました。
論文参考訳（メタデータ） (2024-08-22T04:29:48Z)
EmInspector: Combating Backdoor Attacks in Federated Self-Supervised Learning Through Embedding Inspection [53.25863925815954]
フェデレートされた自己教師付き学習(FSSL)は、クライアントの膨大な量の未ラベルデータの利用を可能にする、有望なパラダイムとして登場した。 FSSLはアドバンテージを提供するが、バックドア攻撃に対する感受性は調査されていない。ローカルモデルの埋め込み空間を検査し,悪意のあるクライアントを検知する埋め込み検査器(EmInspector)を提案する。
論文参考訳（メタデータ） (2024-05-21T06:14:49Z)
Does Few-shot Learning Suffer from Backdoor Attacks? [63.9864247424967]
数発の学習がバックドアアタックに対して脆弱であることは明らかです。本手法は,FSLタスクにおける攻撃成功率(ASR)を,異なる数発の学習パラダイムで示す。この研究は、数発の学習がまだバックドア攻撃に悩まされており、そのセキュリティに注意を払う必要があることを明らかにしている。
論文参考訳（メタデータ） (2023-12-31T06:43:36Z)
Erasing Self-Supervised Learning Backdoor by Cluster Activation Masking [65.44477004525231]
研究者は最近、自己監視学習(SSL)がバックドア攻撃に脆弱であることを発見した。本稿では,クラスタアクティベーションマスキングによるSSLバックドアの消去を提案し,新しいPoisonCAM法を提案する。 ImageNet-100の最先端手法の3%と比較して,バックドアトリガ検出の精度は96%であった。
論文参考訳（メタデータ） (2023-12-13T08:01:15Z)
Attacking by Aligning: Clean-Label Backdoor Attacks on Object Detection [24.271795745084123]
ディープニューラルネットワーク(DNN)は、オブジェクト検出タスクにおいて前例のない成功を収めている。対象物検出タスクに対するバックドア攻撃は、適切に調査され、調査されていない。そこで本研究では,オブジェクト検出に対して,接地真理アノテーションを変更することなく,簡易かつ効果的なバックドア攻撃手法を提案する。
論文参考訳（メタデータ） (2023-07-19T22:46:35Z)
Untargeted Backdoor Attack against Object Detection [69.63097724439886]
我々は,タスク特性に基づいて,無目標で毒のみのバックドア攻撃を設計する。攻撃によって、バックドアがターゲットモデルに埋め込まれると、トリガーパターンでスタンプされたオブジェクトの検出を失う可能性があることを示す。
論文参考訳（メタデータ） (2022-11-02T17:05:45Z)
An Embarrassingly Simple Backdoor Attack on Self-supervised Learning [52.28670953101126]
自己教師付き学習(SSL)は、ラベルに頼ることなく、複雑なデータの高品質な表現を学習することができる。 SSLのバックドア攻撃に対する脆弱性について検討する。
論文参考訳（メタデータ） (2022-10-13T20:39:21Z)
BadDet: Backdoor Attacks on Object Detection [42.40418007499009]
対象物検出のための4種類のバックドア攻撃を提案する。トリガーは、ターゲットクラスのオブジェクトを誤って生成することができる。単一のトリガーは、イメージ内のすべてのオブジェクトの予測をターゲットクラスに変更することができる。
論文参考訳（メタデータ） (2022-05-28T18:02:11Z)
Hidden Backdoor Attack against Semantic Segmentation Models [60.0327238844584]
Emphbackdoor攻撃は、深層ニューラルネットワーク(DNN)に隠れたバックドアを埋め込み、トレーニングデータに毒を盛ることを目的としている。我々は,対象ラベルを画像レベルではなくオブジェクトレベルから扱う,新たな攻撃パラダイムであるemphfine-fine-grained attackを提案する。実験により、提案手法はわずかなトレーニングデータだけを毒殺することでセマンティックセグメンテーションモデルを攻撃することに成功した。
論文参考訳（メタデータ） (2021-03-06T05:50:29Z)

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。