論文の概要: Searching Realistic-Looking Adversarial Objects For Autonomous Driving Systems

• arxiv url: http://arxiv.org/abs/2405.11629v1
• Date: Sun, 19 May 2024 17:42:24 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-21 15:02:50.775118
• Title: Searching Realistic-Looking Adversarial Objects For Autonomous Driving Systems
• Title（参考訳）: 自律走行システムのための現実的な対向物体の探索
• Authors: Shengxiang Sun, Shenzhe Zhu,
• Abstract要約: 自動運転政策を標的とした敵攻撃に関する多くの研究は、現実的に見える敵の物体を組み込むことができない。 本論文は, 逆対象のシミュレーションから実用化への移行を促進する先行研究を基礎にしている。 提案された追加には、"Judge"と呼ばれるエンティティが含まれる。 このエージェントは、レンダリング対象のテクスチャを評価し、そのリアリズムを反映した確率スコアを割り当てる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Numerous studies on adversarial attacks targeting self-driving policies fail to incorporate realistic-looking adversarial objects, limiting real-world applicability. Building upon prior research that facilitated the transition of adversarial objects from simulations to practical applications, this paper discusses a modified gradient-based texture optimization method to discover realistic-looking adversarial objects. While retaining the core architecture and techniques of the prior research, the proposed addition involves an entity termed the 'Judge'. This agent assesses the texture of a rendered object, assigning a probability score reflecting its realism. This score is integrated into the loss function to encourage the NeRF object renderer to concurrently learn realistic and adversarial textures. The paper analyzes four strategies for developing a robust 'Judge': 1) Leveraging cutting-edge vision-language models. 2) Fine-tuning open-sourced vision-language models. 3) Pretraining neurosymbolic systems. 4) Utilizing traditional image processing techniques. Our findings indicate that strategies 1) and 4) yield less reliable outcomes, pointing towards strategies 2) or 3) as more promising directions for future research.
• Abstract（参考訳）: 自動運転政策を標的とする敵攻撃に関する多くの研究は、現実的に見える敵の物体を組み込むことができず、現実の応用性を制限している。 シミュレーションから現実的な応用への逆対象の移行を促進する先行研究を基礎として,現実的な対向対象を探索する修正勾配に基づくテクスチャ最適化手法について考察する。 先行研究のコアアーキテクチャとテクニックを維持しながら、提案された追加には、"Judge"と呼ばれるエンティティが含まれる。 このエージェントは、レンダリング対象のテクスチャを評価し、そのリアリズムを反映した確率スコアを割り当てる。 このスコアは損失関数に統合され、NeRFオブジェクトレンダラーがリアルで対向的なテクスチャを同時に学習するように促される。 本論文は、ロバストな「ジャッジ」を開発するための4つの戦略を分析する。 1)最先端の視覚言語モデルを活用する。 2)細調整のオープンソースビジョン言語モデル。 3)ニューロシンボリックシステムの事前学習 4) 従来の画像処理技術を活用すること。 以上の結果から戦略が示唆される。 1)と 4)戦略を指差して信頼性の低い結果を得る 2)? 3)今後の研究の道筋として有望である。

関連論文リスト

• Adversarial Attacks Using Differentiable Rendering: A Survey [41.133107951792496]
  微分可能なレンダリング手法は、写真現実的で物理的に妥当な敵攻撃を生成するための有望な手段として現れてきた。 我々の調査は、研究者や実践者が敵の攻撃に対するコンピュータビジョンシステムの脆弱性をよりよく理解するのに役立ちます。
  論文  参考訳（メタデータ） (2024-11-14T19:03:11Z)
• Zero-Shot Object-Centric Representation Learning [72.43369950684057]
  ゼロショット一般化のレンズによる現在の対象中心法について検討する。 8つの異なる合成および実世界のデータセットからなるベンチマークを導入する。 多様な実世界の画像のトレーニングにより、見えないシナリオへの転送性が向上することがわかった。
  論文  参考訳（メタデータ） (2024-08-17T10:37:07Z)
• Graphical Object-Centric Actor-Critic [55.2480439325792]
  本稿では,アクター批判とモデルに基づくアプローチを組み合わせたオブジェクト中心強化学習アルゴリズムを提案する。 変換器エンコーダを用いてオブジェクト表現とグラフニューラルネットワークを抽出し、環境のダイナミクスを近似する。 本アルゴリズムは,現状のモデルフリーアクター批判アルゴリズムよりも複雑な3次元ロボット環境と構成構造をもつ2次元環境において,より優れた性能を発揮する。
  論文  参考訳（メタデータ） (2023-10-26T06:05:12Z)
• Cycle Consistency Driven Object Discovery [75.60399804639403]
  本研究では,シーンの各オブジェクトが異なるスロットに関連付けられなければならない制約を明示的に最適化する手法を提案する。 これらの一貫性目標を既存のスロットベースのオブジェクト中心手法に統合することにより、オブジェクト発見性能を大幅に改善することを示す。 提案手法は,オブジェクト発見を改善するだけでなく,下流タスクのよりリッチな機能も提供することを示唆している。
  論文  参考訳（メタデータ） (2023-06-03T21:49:06Z)
• TexPose: Neural Texture Learning for Self-Supervised 6D Object Pose Estimation [55.94900327396771]
  合成データから6次元オブジェクトポーズ推定のためのニューラルネットワークによるテクスチャ学習を提案する。 実画像からオブジェクトの現実的なテクスチャを予測することを学ぶ。 画素完全合成データからポーズ推定を学習する。
  論文  参考訳（メタデータ） (2022-12-25T13:36:32Z)
• On The Empirical Effectiveness of Unrealistic Adversarial Hardening Against Realistic Adversarial Attacks [9.247680268877795]
  本研究では,非現実的対向例が実例からモデルを保護するのに有効かどうかを考察する。 その結果,非現実的な例が現実的な例と同等に有効である場合や,限られた改善しか得られない場合とでは,ユースケース間での相違が明らかとなった。 効果的硬化に使用できる非現実的な例を識別するパターンに光を当てた。
  論文  参考訳（メタデータ） (2022-02-07T15:08:10Z)
• 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)
• Secrets of 3D Implicit Object Shape Reconstruction in the Wild [92.5554695397653]
  コンピュータビジョン、ロボティクス、グラフィックスの様々な用途において、高精細な3Dオブジェクトをスパースから再構築することは重要です。 最近の神経暗黙的モデリング法は、合成データセットまたは高密度データセットで有望な結果を示す。 しかし、粗末でノイズの多い実世界のデータではパフォーマンスが悪い。 本論文では, 一般的な神経暗黙モデルの性能低下の根本原因を解析する。
  論文  参考訳（メタデータ） (2021-01-18T03:24:48Z)
• Adversarial Texture Optimization from RGB-D Scans [37.78810126921875]
  弱教師付き視点から得られた条件付き対向損失を用いた色彩テクスチャ生成のための新しい手法を提案する。 提案手法の鍵となる考え方は,テクスチャ最適化をミスアライメントに寛容に導くパッチベースの条件判別器を学習することである。
  論文  参考訳（メタデータ） (2020-03-18T18:00:05Z)

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。