論文の概要: Ti-Patch: Tiled Physical Adversarial Patch for no-reference video quality metrics
- arxiv url: http://arxiv.org/abs/2404.09961v1
- Date: Mon, 15 Apr 2024 17:38:47 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-17 21:27:57.937105
- Title: Ti-Patch: Tiled Physical Adversarial Patch for no-reference video quality metrics
- Title（参考訳）: Ti-Patch: ノンリファレンスビデオ品質指標のためのタグ付き物理適応パッチ
- Authors: Victoria Leonenkova, Ekaterina Shumitskaya, Anastasia Antsiferova, Dmitriy Vatolin,
- Abstract要約: 非参照画像とビデオ品質のメトリクスは、多くのコンピュータビジョンタスクにおいて不可欠である。
品質指標の脆弱性は、品質管理システムにおけるそのような指標の使用を制限する。
本稿では,物理空間における品質指標の脆弱性を検査するための新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 3.7855740990304736
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Objective no-reference image- and video-quality metrics are crucial in many computer vision tasks. However, state-of-the-art no-reference metrics have become learning-based and are vulnerable to adversarial attacks. The vulnerability of quality metrics imposes restrictions on using such metrics in quality control systems and comparing objective algorithms. Also, using vulnerable metrics as a loss for deep learning model training can mislead training to worsen visual quality. Because of that, quality metrics testing for vulnerability is a task of current interest. This paper proposes a new method for testing quality metrics vulnerability in the physical space. To our knowledge, quality metrics were not previously tested for vulnerability to this attack; they were only tested in the pixel space. We applied a physical adversarial Ti-Patch (Tiled Patch) attack to quality metrics and did experiments both in pixel and physical space. We also performed experiments on the implementation of physical adversarial wallpaper. The proposed method can be used as additional quality metrics in vulnerability evaluation, complementing traditional subjective comparison and vulnerability tests in the pixel space. We made our code and adversarial videos available on GitHub: https://github.com/leonenkova/Ti-Patch.
- Abstract（参考訳）: 客観的な非参照画像とビデオ品質のメトリクスは、多くのコンピュータビジョンタスクにおいて不可欠である。
しかし、最先端の非参照メトリクスは学習ベースになり、敵の攻撃に弱い。
品質指標の脆弱性は、品質管理システムにおけるそのようなメトリクスの使用や、客観的アルゴリズムの比較に制限を課す。
また、ディープラーニングモデルトレーニングの損失として脆弱なメトリクスを使用することで、トレーニングを誤解して視覚的品質が悪化する可能性がある。
そのため、脆弱性に対する品質メトリクスのテストは、現在の関心事である。
本稿では,物理空間における品質指標の脆弱性を検査するための新しい手法を提案する。
私たちの知る限り、この攻撃の脆弱性については、これまで品質メトリクスはテストされておらず、ピクセル空間でのみテストされています。
物理対向性Ti-Patch(Tiled Patch)攻撃を品質指標に適用し,ピクセルと物理空間の両方で実験を行った。
また,物理対向壁紙の実装実験を行った。
提案手法は,画素空間における従来の主観的比較と脆弱性テストの補完として,脆弱性評価における付加的な品質指標として利用することができる。
コードと敵のビデオはGitHubで公開しました。
関連論文リスト
- Guardians of Image Quality: Benchmarking Defenses Against Adversarial Attacks on Image Quality Metrics [35.87448891459325]
本稿では、IQAに対する敵攻撃の増加に対応する防衛機構の総合的なベンチマーク研究について述べる。
本研究は, 敵の浄化, 敵の訓練, 確証された堅牢性手法を含む25の防衛戦略を評価する。
我々は、IQAのスコアと画質を保存すべきであるとして、ディフェンスとIQAタスクへの適用性の違いを分析した。
論文 参考訳（メタデータ） (2024-08-02T19:02:49Z) - IOI: Invisible One-Iteration Adversarial Attack on No-Reference Image- and Video-Quality Metrics [4.135467749401761]
非参照画像とビデオ品質のメトリクスは、ビデオ処理ベンチマークで広く使われている。
Invisible One-Iteration (IOI) は参照画像やビデオ品質の指標に反する攻撃である。
論文 参考訳（メタデータ） (2024-03-09T16:33:30Z) - Comparing the Robustness of Modern No-Reference Image- and Video-Quality
Metrics to Adversarial Attacks [43.85564498709518]
本稿では、現代のメトリクスのロバスト性を、異なる敵攻撃に対して分析する。
いくつかのメトリクスは、敵攻撃に対する高い耐性を示し、弱いメトリクスよりも安全なベンチマークでの使用を可能にした。
論文 参考訳（メタデータ） (2023-10-10T19:21:41Z) - A Geometrical Approach to Evaluate the Adversarial Robustness of Deep
Neural Networks [52.09243852066406]
対向収束時間スコア(ACTS)は、対向ロバストネス指標として収束時間を測定する。
我々は,大規模画像Netデータセットに対する異なる敵攻撃に対して,提案したACTSメトリックの有効性と一般化を検証する。
論文 参考訳（メタデータ） (2023-10-10T09:39:38Z) - Fast Adversarial CNN-based Perturbation Attack on No-Reference Image-
and Video-Quality Metrics [0.0]
非参照品質指標に対する高速な敵攻撃を提案する。
提案した攻撃は、リアルタイムビデオ処理および圧縮アルゴリズムにおける前処理ステップとして利用することができる。
この研究は、安定したニューラルネットワークベースの非参照品質メトリクスの設計にさらなる支援を与えることができる。
論文 参考訳（メタデータ） (2023-05-24T20:18:21Z) - Improving Adversarial Robustness to Sensitivity and Invariance Attacks
with Deep Metric Learning [80.21709045433096]
対向ロバスト性の標準的な方法は、サンプルを最小に摂動させることによって作られたサンプルに対して防御する枠組みを仮定する。
距離学習を用いて、最適輸送問題として逆正則化をフレーム化する。
予備的な結果から, 変分摂動の規則化は, 変分防御と敏感防御の両方を改善することが示唆された。
論文 参考訳（メタデータ） (2022-11-04T13:54:02Z) - Universal Perturbation Attack on Differentiable No-Reference Image- and
Video-Quality Metrics [0.0]
一部の攻撃は、画像品質とビデオ品質のメトリクスを欺くことができる。
広汎な摂動を通して、識別可能な非参照品質指標を攻撃できる新しい手法を提案する。
論文 参考訳（メタデータ） (2022-11-01T10:28:13Z) - Segment and Complete: Defending Object Detectors against Adversarial
Patch Attacks with Robust Patch Detection [142.24869736769432]
敵のパッチ攻撃は最先端の物体検出器に深刻な脅威をもたらす。
パッチ攻撃に対して物体検出器を防御するフレームワークであるSegment and Complete Defense (SAC)を提案する。
SACは、物理的パッチ攻撃の標的攻撃成功率を著しく低減できることを示す。
論文 参考訳（メタデータ） (2021-12-08T19:18:48Z) - Transparent Human Evaluation for Image Captioning [70.03979566548823]
画像キャプションモデルのためのルーリックに基づく人間評価プロトコルを開発した。
人為的キャプションは機械的キャプションよりも著しく高品質であることを示す。
この研究は、画像キャプションのためのより透明な評価プロトコルを促進することを願っている。
論文 参考訳（メタデータ） (2021-11-17T07:09:59Z) - Learning to Evaluate Perception Models Using Planner-Centric Metrics [104.33349410009161]
本稿では,自動運転のタスクに特化して,3次元物体検出の原理的基準を提案する。
私たちのメトリクスは、他のメトリクスが設計によって課す多くの間違いを罰します。
人間の評価では,基準基準値と基準値が一致しないシーンを生成し,基準値の79%が人間の側にあることがわかった。
論文 参考訳（メタデータ） (2020-04-19T02:14:00Z)
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。