論文の概要: Fractured Glass, Failing Cameras: Simulating Physics-Based Adversarial Samples for Autonomous Driving Systems
- arxiv url: http://arxiv.org/abs/2405.15033v2
- Date: Sun, 10 Aug 2025 23:33:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-12 21:23:28.041798
- Title: Fractured Glass, Failing Cameras: Simulating Physics-Based Adversarial Samples for Autonomous Driving Systems
- Title（参考訳）: 破壊ガラス, 破壊カメラ: 自律走行システムのための物理に基づく逆方向サンプルのシミュレーション
- Authors: Manav Prabhakar, Jwalandhar Girnar, Arpan Kusari,
- Abstract要約: ガラス破砕の物理過程を用いてシミュレーションに基づく研究を行い、摂動シナリオを作成する。
これらのガラスの破断効果を,広く使用されているオープンソースデータセット上の画像フィルタとして重畳する。
- 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 much research has recently focused on generating physics-based adversarial samples, a critical yet often overlooked category originates from physical failures within on-board cameras -- components essential to the perception systems of autonomous vehicles. Firstly, we motivate the study using two separate real-world experiments to showcase that indeed glass failures would cause the detection based neural network models to fail. Secondly, we develop a simulation-based study using the physical process of the glass breakage to create perturbed scenarios, representing a realistic class of physics-based adversarial samples. Using a finite element model (FEM)-based approach, we generate surface cracks on the camera image by applying a stress field defined by particles within a triangular mesh. Lastly, we use physically-based rendering (PBR) techniques to provide realistic visualizations of these physically plausible fractures. To analyze the safety implications, we superimpose these simulated broken glass effects as image filters on widely used open-source datasets: KITTI and BDD100K using two most prominent object detection neural networks (CNN-based -- YOLOv8 and Faster R-CNN) and Pyramid Vision Transformers. To further investigate the distributional impact of these visual distortions, we compute the Kullback-Leibler (K-L) divergence between three distinct data distributions, applying various broken glass filters to a custom dataset (captured through a cracked windshield), as well as the KITTI and Kaggle cats and dogs datasets. The K-L divergence analysis suggests that these broken glass filters do not introduce significant distributional shifts.
- Abstract（参考訳）: 最近、多くの研究が物理に基づく敵のサンプルの生成に重点を置いているが、しばしば見落とされがちなカテゴリーは、車載カメラ内の物理的故障(自動運転車の認識システムに不可欠なコンポーネント)から来ている。
まず、我々は2つの異なる実世界の実験を用いて研究を動機付け、実際にガラスの故障が検出ベースのニューラルネットワークモデルに障害を引き起こすことを示した。
第2に,ガラス破砕の物理過程を用いたシミュレーションに基づく研究を行い,現実的な物理に基づく逆数サンプルのクラスを表現する。
有限要素モデル(FEM)に基づくアプローチを用いて、三角メッシュ内の粒子によって定義された応力場を適用して、カメラ画像の表面ひび割れを生成する。
最後に、物理ベースレンダリング(PBR)技術を用いて、これらの物理的に可塑性な骨折の現実的な可視化を行う。
KITTIとBDD100Kは2つの顕著な物体検出ニューラルネットワーク(CNN-based -- YOLOv8とFaster R-CNN)とPraamid Vision Transformersを使用する。
これらの視覚歪みの分布的影響を更に調べるために,K-L(Kulback-Leibler)の3つの異なるデータ分布間のばらつきを計算し,様々なガラスフィルタをカスタムデータセット(ひび割れしたフロントガラスでキャプチャする)、KITTIとKaggleの猫と犬のデータセットに適用した。
K-Lの発散解析により, ガラスの破れは大きな分布変化を起こさないことが示唆された。
関連論文リスト
- Hybrid Neural-MPM for Interactive Fluid Simulations in Real-Time [57.30651532625017]
本稿では,数値シミュレーション,神経物理,生成制御を統合した新しいハイブリッド手法を提案する。
本システムでは, 多様な2D/3Dシナリオ, 材料タイプ, 障害物相互作用における堅牢な性能を示す。
受け入れ次第、モデルとデータの両方をリリースすることを約束します。
論文 参考訳（メタデータ） (2025-05-25T01:27:18Z) - 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。