論文の概要: BadFusion: 2D-Oriented Backdoor Attacks against 3D Object Detection

• arxiv url: http://arxiv.org/abs/2405.03884v1
• Date: Mon, 6 May 2024 22:02:38 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-08 15:57:58.615398
• Title: BadFusion: 2D-Oriented Backdoor Attacks against 3D Object Detection
• Title（参考訳）: BadFusion:3Dオブジェクト検出に対する2D指向のバックドア攻撃
• Authors: Saket S. Chaturvedi, Lan Zhang, Wenbin Zhang, Pan He, Xiaoyong Yuan,
• Abstract要約: 3Dオブジェクト検出は、自動運転において重要な役割を果たすが、バックドア攻撃に対する脆弱性は明らかになっている。 既存の3Dオブジェクト検出に対するバックドア攻撃は主に3D LiDARシグナルを毒する。 本稿では,3次元物体検出のためのLiDAR-camera fusion法に対して,BadFusionと呼ばれる革新的な2D指向のバックドアアタックを提案する。
• 参考スコア（独自算出の注目度）: 12.987427748635037
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D object detection plays an important role in autonomous driving; however, its vulnerability to backdoor attacks has become evident. By injecting ''triggers'' to poison the training dataset, backdoor attacks manipulate the detector's prediction for inputs containing these triggers. Existing backdoor attacks against 3D object detection primarily poison 3D LiDAR signals, where large-sized 3D triggers are injected to ensure their visibility within the sparse 3D space, rendering them easy to detect and impractical in real-world scenarios. In this paper, we delve into the robustness of 3D object detection, exploring a new backdoor attack surface through 2D cameras. Given the prevalent adoption of camera and LiDAR signal fusion for high-fidelity 3D perception, we investigate the latent potential of camera signals to disrupt the process. Although the dense nature of camera signals enables the use of nearly imperceptible small-sized triggers to mislead 2D object detection, realizing 2D-oriented backdoor attacks against 3D object detection is non-trivial. The primary challenge emerges from the fusion process that transforms camera signals into a 3D space, compromising the association with the 2D trigger to the target output. To tackle this issue, we propose an innovative 2D-oriented backdoor attack against LiDAR-camera fusion methods for 3D object detection, named BadFusion, for preserving trigger effectiveness throughout the entire fusion process. The evaluation demonstrates the effectiveness of BadFusion, achieving a significantly higher attack success rate compared to existing 2D-oriented attacks.
• Abstract（参考訳）: 3Dオブジェクト検出は、自動運転において重要な役割を果たすが、バックドア攻撃に対する脆弱性は明らかになっている。 トレーニングデータセットに「トリガー」を注入することで、バックドア攻撃は、これらのトリガーを含む入力に対する検出器の予測を操作する。 既存の3Dオブジェクト検出に対するバックドア攻撃は、主に3D LiDAR信号に毒を与え、大きな3Dトリガーを注入することで、スパース3D空間内での視認性を確保する。 本稿では,3次元物体検出のロバスト性を探究し,新しいバックドア攻撃面を2次元カメラで探索する。 高忠実度3次元知覚にカメラとLiDAR信号の融合が広く採用されていることを踏まえ、この過程を妨害するカメラ信号の潜在可能性について検討する。 カメラ信号の密集性は、2Dオブジェクト検出を誤解させるため、ほとんど知覚できない小さなトリガーの使用を可能にするが、3Dオブジェクト検出に対する2D指向のバックドアアタックを実現することは簡単ではない。 主な課題は、カメラ信号を3D空間に変換する融合プロセスから生じ、2Dトリガとターゲット出力との関連性を妥協する。 この問題に対処するために,バッドフュージョン(BadFusion)という名前の3次元物体検出のための,LiDAR-カメラ融合法に対する革新的な2D指向のバックドア攻撃を提案し,核融合プロセス全体を通してトリガ効果を維持する。 この評価は、BadFusionの有効性を示し、既存の2D指向の攻撃と比較して、攻撃の成功率を大幅に向上させる。

関連論文リスト

• AdvMono3D: Advanced Monocular 3D Object Detection with Depth-Aware Robust Adversarial Training [64.14759275211115]
  そこで本研究では,DART3Dと呼ばれるモノクル3次元物体検出のための,深度対応の頑健な対向学習法を提案する。 我々の敵の訓練アプローチは、本質的な不確実性に乗じて、敵の攻撃に対する堅牢性を大幅に向上させる。
  論文  参考訳（メタデータ） (2023-09-03T07:05:32Z)
• FocalFormer3D : Focusing on Hard Instance for 3D Object Detection [97.56185033488168]
  3次元物体検出における偽陰性(False negatives, FN)は、自動運転において潜在的に危険な状況を引き起こす可能性がある。 本研究では,マルチステージ方式でtextitFN を識別する汎用パイプラインである Hard Instance Probing (HIP) を提案する。 この手法をFocalFormer3Dとしてインスタンス化する。
  論文  参考訳（メタデータ） (2023-08-08T20:06:12Z)
• A Comprehensive Study of the Robustness for LiDAR-based 3D Object Detectors against Adversarial Attacks [84.10546708708554]
  3Dオブジェクト検出器は、セキュリティクリティカルなタスクにおいてますます重要になっている。 敵の攻撃に対する強固さを理解することが不可欠である。 本稿では,LiDARをベースとした3次元検出器の対角攻撃時のロバスト性評価と解析を行った。
  論文  参考訳（メタデータ） (2022-12-20T13:09:58Z)
• SparseDet: Towards End-to-End 3D Object Detection [12.3069609175534]
  ポイントクラウドからエンドツーエンドの3Dオブジェクト検出のためのSparseDetを提案する。 新しい検出パラダイムとして、SparseDetは遅延候補を表現するための学習可能な提案の固定セットを維持している。 SparseDetはより効率的な34.5 FPSで実行しながら高い競合検出精度を達成する。
  論文  参考訳（メタデータ） (2022-06-02T09:49:53Z)
• Homography Loss for Monocular 3D Object Detection [54.04870007473932]
  ホログラフィーロス(Homography Loss)と呼ばれる,2次元情報と3次元情報の両方を利用する識別可能なロス関数を提案する。 提案手法は,KITTI 3Dデータセットにおいて,他の最先端技術と比較して高い性能を示す。
  論文  参考訳（メタデータ） (2022-04-02T03:48:03Z)
• Anchor-free 3D Single Stage Detector with Mask-Guided Attention for Point Cloud [79.39041453836793]
  我々は、点雲をアンカーフリーで検出する新しい1段3次元検出器を開発した。 ボクセルをベースとしたスパース3D特徴量からスパース2D特徴量マップに変換することでこれを克服する。 検出信頼度スコアとバウンディングボックス回帰の精度との相関性を改善するために,IoUに基づく検出信頼度再校正手法を提案する。
  論文  参考訳（メタデータ） (2021-08-08T13:42:13Z)
• FCOS3D: Fully Convolutional One-Stage Monocular 3D Object Detection [78.00922683083776]
  一般的な2D検出器をこの3Dタスクで動作させることは簡単ではない。 本報告では,完全畳み込み型単段検出器を用いた手法を用いてこの問題を考察する。 私たちのソリューションは、NeurIPS 2020のnuScenes 3D検出チャレンジのすべてのビジョンのみの方法の中で1位を獲得します。
  論文  参考訳（メタデータ） (2021-04-22T09:35:35Z)
• RoIFusion: 3D Object Detection from LiDAR and Vision [7.878027048763662]
  本稿では,3次元関心領域(RoI)の集合を点雲から対応する画像の2次元ロIに投影することで,新しい融合アルゴリズムを提案する。 提案手法は,KITTI 3Dオブジェクト検出課題ベンチマークにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-09-09T20:23:27Z)

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。