論文の概要: Generating camera failures as a class of physics-based adversarial examples

• arxiv url: http://arxiv.org/abs/2405.15033v1
• Date: Thu, 23 May 2024 20:11:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-27 19:07:30.312723
• Title: Generating camera failures as a class of physics-based adversarial examples
• Title（参考訳）: 物理に基づく逆数例の類型としてのカメラ故障の生成
• Authors: Manav Prabhakar, Jwalandhar Girnar, Arpan Kusari,
• Abstract要約: カメラの故障は、外部の物理的プロセス、すなわちストレスによるコンポーネントの破壊、または内部のコンポーネントの故障の結果起こる。 本研究は、物理に基づく対角レンズのクラスとして、破壊レンズを生成するためのシミュレーション物理プロセスを開発する。
• 参考スコア（独自算出の注目度）: 1.0124625066746595
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While there has been extensive work on generating physics-based adversarial samples recently, an overlooked class of such samples come from physical failures in the camera. Camera failures can occur as a result of an external physical process, i.e. breakdown of a component due to stress, or an internal component failure. In this work, we develop a simulated physical process for generating broken lens as a class of physics-based adversarial samples. We create a stress-based physical simulation by generating particles constrained in a mesh and apply stress at a random point and at a random angle. We perform stress propagation through the mesh and the end result of the mesh is a corresponding image which simulates the broken lens pattern. We also develop a neural emulator which learns the non-linear mapping between the mesh as a graph and the stress propagation using constrained propagation setup. We can then statistically compare the difference between the generated adversarial samples with real, simulated and emulated adversarial examples using the detection failure rate of the different classes and in between the samples using the Frechet Inception distance. Our goal through this work is to provide a robust physics based process for generating adversarial samples.
• Abstract（参考訳）: 最近は、物理に基づく敵対的なサンプルを生成する研究が盛んに行われているが、そのようなサンプルの見落とされがちな分類は、カメラの物理的故障によるものである。 カメラの故障は、外部の物理的プロセス、すなわちストレスによるコンポーネントの破壊、または内部のコンポーネントの故障の結果起こる。 本研究は、物理に基づく対角レンズのクラスとして、破壊レンズを生成するためのシミュレーション物理プロセスを開発する。 メッシュに拘束された粒子を生成し、ランダムな点とランダムな角度で応力を適用することにより、応力に基づく物理シミュレーションを作成する。 メッシュを介して応力伝搬を行い、メッシュの最終的な結果は、壊れたレンズパターンをシミュレートする対応する画像である。 また,グラフとしてのメッシュと応力伝搬の非線形マッピングを制約付き伝搬設定を用いて学習するニューラルエミュレータを開発した。 次に, 実例と実例, シミュレーション例, シミュレーション例の差を, 異なるクラスの検出失敗率を用いて統計的に比較し, フレシェ・インセプション距離を用いてサンプル間で比較する。 この研究の目標は、反対サンプルを生成するための堅牢な物理ベースのプロセスを提供することです。

関連論文リスト

• DeepFracture: A Generative Approach for Predicting Brittle Fractures [2.7669937245634757]
  本稿では, 現実的な脆性破壊アニメーションと剛体シミュレーションをシームレスに融合させる新しい学習手法を提案する。 本手法は, BEM脆性破壊シミュレーションを用いて, 所定の形状の破壊パターンと衝突条件を作成する。 以上の結果から,本手法は既存の技術と比較して,より詳細な脆性骨折を生じさせる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-10-20T08:15:13Z)
• DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via Physics Simulation [81.11585774044848]
  我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。 提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
  論文  参考訳（メタデータ） (2023-10-11T05:34:36Z)
• Generating artificial digital image correlation data using physics-guided adversarial networks [2.07180164747172]
  デジタル画像相関 (DIC) は, き裂標本の機械的実験を監視し評価するための貴重なツールとなっている。 実補間DIC変位に類似したクラック試験片の大量の人工変位データを直接生成する手法を提案する。
  論文  参考訳（メタデータ） (2023-03-28T12:52:40Z)
• gradSim: Differentiable simulation for system identification and visuomotor control [66.37288629125996]
  本稿では,微分可能マルチフィジカルシミュレーションと微分可能レンダリングを活用し,3次元監督への依存を克服するフレームワークであるgradsimを提案する。 当社の統合グラフは、状態ベースの(3D)監督に頼ることなく、挑戦的なバイスモメータ制御タスクで学習を可能にします。
  論文  参考訳（メタデータ） (2021-04-06T16:32:01Z)
• NaturalAE: Natural and Robust Physical Adversarial Examples for Object Detectors [6.4039013462213]
  本研究では,実環境下での物体検出を対象とする,自然かつ堅牢な物理対角攻撃法を提案する。 生成した逆の例は、様々な物理的制約に対して堅牢であり、元の画像と視覚的に類似している。 提案手法は, 生成した逆数例の自然さを保証し, 追加の摂動の大きさは既存作品の摂動よりもはるかに小さい。
  論文  参考訳（メタデータ） (2020-11-27T12:03:53Z)
• Generative Ensemble Regression: Learning Particle Dynamics from Observations of Ensembles with Physics-Informed Deep Generative Models [27.623119767592385]
  本稿では,離散時間とスパース時間で粒子アンサンブルを観測することにより,支配する常微分方程式(SODE)を推定する新しい手法を提案する。 パーティクル座標は、スナップショット毎に記録されるが、スナップショット全体では再生されない。 サンプル経路を生成する物理インフォームド生成モデルを訓練することにより、観測された粒子アンサンブル分布を確率測定空間内の曲線に適合させることを目指す。
  論文  参考訳（メタデータ） (2020-08-05T03:06:40Z)
• Scalable Differentiable Physics for Learning and Control [99.4302215142673]
  微分物理学は、物理的対象や環境を含む問題を学習し、制御するための強力なアプローチである。 我々は、多数のオブジェクトとその相互作用をサポートすることができる微分可能物理学のためのスケーラブルなフレームワークを開発する。
  論文  参考訳（メタデータ） (2020-07-04T19:07:51Z)
• Occlusion resistant learning of intuitive physics from videos [52.25308231683798]
  人工システムの鍵となる能力は、オブジェクト間の物理的相互作用を理解し、状況の将来的な結果を予測することである。 この能力は直感的な物理学と呼ばれ、近年注目されており、ビデオシーケンスからこれらの物理規則を学ぶためのいくつかの方法が提案されている。
  論文  参考訳（メタデータ） (2020-04-30T19:35:54Z)
• Cloth in the Wind: A Case Study of Physical Measurement through Simulation [50.31424339972478]
  実例を一度も見ずに風中の布の潜伏物性を測定することを提案する。 私たちのソリューションは、シミュレーションをコアとした反復的な洗練手順です。 この対応は、物理的に類似した例を近くの点にマッピングする埋め込み関数を用いて測定される。
  論文  参考訳（メタデータ） (2020-03-09T21:32:23Z)
• Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
  本稿では,機械学習のフレームワークとモデルの実装について紹介する。 グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。 我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T16:44:28Z)

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。