論文の概要: DarkSAM: Fooling Segment Anything Model to Segment Nothing

• arxiv url: http://arxiv.org/abs/2409.17874v1
• Date: Thu, 26 Sep 2024 14:20:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-28 17:47:25.948349
• Title: DarkSAM: Fooling Segment Anything Model to Segment Nothing
• Title（参考訳）: DarkSAM: セグメンテーションのセグメンテーションモデル
• Authors: Ziqi Zhou, Yufei Song, Minghui Li, Shengshan Hu, Xianlong Wang, Leo Yu Zhang, Dezhong Yao, Hai Jin,
• Abstract要約: Segment Anything Model (SAM) は、最近、データやタスクの見当たらない一般化で注目を集めている。 セマンティックデカップリングに基づく空間攻撃とテクスチャ歪みに基づく周波数攻撃を含む,SAMに対する最初のプロンプトフリーユニバーサルアタックフレームワークであるDarkSAMを提案する。 SAMの4つのデータセットとその2つの変種モデルに対する実験結果は、DarkSAMの強力な攻撃能力と転送可能性を示している。
• 参考スコア（独自算出の注目度）: 25.67725506581337
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Segment Anything Model (SAM) has recently gained much attention for its outstanding generalization to unseen data and tasks. Despite its promising prospect, the vulnerabilities of SAM, especially to universal adversarial perturbation (UAP) have not been thoroughly investigated yet. In this paper, we propose DarkSAM, the first prompt-free universal attack framework against SAM, including a semantic decoupling-based spatial attack and a texture distortion-based frequency attack. We first divide the output of SAM into foreground and background. Then, we design a shadow target strategy to obtain the semantic blueprint of the image as the attack target. DarkSAM is dedicated to fooling SAM by extracting and destroying crucial object features from images in both spatial and frequency domains. In the spatial domain, we disrupt the semantics of both the foreground and background in the image to confuse SAM. In the frequency domain, we further enhance the attack effectiveness by distorting the high-frequency components (i.e., texture information) of the image. Consequently, with a single UAP, DarkSAM renders SAM incapable of segmenting objects across diverse images with varying prompts. Experimental results on four datasets for SAM and its two variant models demonstrate the powerful attack capability and transferability of DarkSAM.
• Abstract（参考訳）: Segment Anything Model (SAM) は、最近、データやタスクの見当たらない一般化で注目を集めている。 願わくばSAMの脆弱性、特にUAP(Universal adversarial perturbation)に対する脆弱性は、まだ十分に調査されていない。 本稿では,意味的疎結合に基づく空間攻撃とテクスチャ歪みに基づく周波数攻撃を含む,SAMに対する最初のプロンプトフリーなユニバーサルアタックフレームワークであるDarkSAMを提案する。 まずSAMの出力を前景と背景に分割する。 そこで我々は,攻撃対象としてのイメージの意味的青写真を得るために,シャドーターゲット戦略を設計する。 DarkSAMは、空間領域と周波数領域の両方のイメージから重要なオブジェクトの特徴を抽出し、破壊することによってSAMを騙すことに特化している。 空間領域では、画像の前景と背景の両方の意味を乱してSAMを混乱させる。 周波数領域では、画像の高周波成分(テクスチャ情報)を歪ませることで、攻撃効果をさらに向上する。 その結果、単一のUAPで、DarkSAMはSAMが様々なプロンプトを持つ様々な画像にまたがってオブジェクトを分割できないようにしている。 SAMの4つのデータセットとその2つの変種モデルに対する実験結果は、DarkSAMの強力な攻撃能力と転送可能性を示している。

関連論文リスト

• Segment Anything without Supervision [65.93211374889196]
  高速かつ自動的な全画像分割のためのUnsupervised SAM(UnSAM)を提案する。 UnSAMは、視覚シーンの階層構造を「発見」するために、分割・コンカ戦略を利用する。 教師付きSAMは自己教師付きラベルの恩恵を受けることができることを示す。
  論文  参考訳（メタデータ） (2024-06-28T17:47:32Z)
• SAM Meets UAP: Attacking Segment Anything Model With Universal Adversarial Perturbation [61.732503554088524]
  画像認識不能なユニバーサル適応摂動(UAP)を用いてSAM(Segment Anything Model)を攻撃できるかどうかを検討する。 自己教師付きコントラスト学習(CL)に基づくUAP生成手法を実現する新しい摂動中心フレームワークを提案する。 CLを用いたUAP生成手法の有効性を定量的および定性的に検証した。
  論文  参考訳（メタデータ） (2023-10-19T02:49:24Z)
• Black-box Targeted Adversarial Attack on Segment Anything (SAM) [24.927514923402775]
  本研究は,Segment Anything Model (SAM) におけるターゲット対敵攻撃 (TAA) の実現を目的とする。 具体的には、特定のプロンプトの下では、敵の例の予測マスクを所定のターゲット画像のマスクに類似させることが目的である。 本稿では, ランダムな自然画像に対する逆画像の特徴優位性を高めることで, クロスモデル転送可能性を高める新たな正規化損失を提案する。
  論文  参考訳（メタデータ） (2023-10-16T02:09:03Z)
• When SAM Meets Sonar Images [6.902760999492406]
  Segment Anything Model (SAM)はセグメンテーションのやり方に革命をもたらした。 SAMのパフォーマンスは、自然画像とは異なる領域を含むタスクに適用されると低下する可能性がある。 SAMは微調整技術を用いて、医学や惑星科学のような特定の領域で有望な能力を示す。
  論文  参考訳（メタデータ） (2023-06-25T03:15:14Z)
• On the Robustness of Segment Anything [46.669794757467166]
  我々は, SAMの試験時間ロバスト性について, 敵のシナリオと共通の腐敗下で検討することを目的としている。 SAMは、ぼやけた汚職を除いて、様々な汚職に対して顕著な堅牢性を示す。
  論文  参考訳（メタデータ） (2023-05-25T16:28:30Z)
• BadSAM: Exploring Security Vulnerabilities of SAM via Backdoor Attacks [16.667225643881782]
  BadSAMはイメージセグメンテーション基盤モデルに対する最初のバックドア攻撃である。 我々は,CAMOデータセットの予備実験を行い,BadSAMの有効性を実証した。
  論文  参考訳（メタデータ） (2023-05-05T05:39:12Z)
• Personalize Segment Anything Model with One Shot [52.54453744941516]
  我々は,Segment Anything Model (SAM) のためのトレーニング不要なパーソナライズ手法を提案する。 PerSAMは、参照マスクを持つ1つのイメージしか持たないため、最初にターゲットのコンセプトを以前のロケーションでローカライズする。 PerSAMは、ターゲット誘導された注意、ターゲットセマンティックなプロンプト、そしてカスケードされたポストリファインメントという3つのテクニックを通じて、他の画像やビデオにセグメントする。
  論文  参考訳（メタデータ） (2023-05-04T17:59:36Z)
• Attack-SAM: Towards Attacking Segment Anything Model With Adversarial Examples [68.5719552703438]
  Segment Anything Model (SAM) は、様々なダウンストリームタスクにおける印象的なパフォーマンスのために、最近大きな注目を集めている。 深い視覚モデルは敵の例に弱いと広く認識されており、それはモデルを騙して知覚不能な摂動で間違った予測をする。 この研究は、SAMの攻撃方法に関する総合的な調査を敵対的な例で実施した最初のものである。
  論文  参考訳（メタデータ） (2023-05-01T15:08:17Z)
• Segment anything, from space? [8.126645790463266]
  SAM(Segment Anything Model)は、安価な入力プロンプトに基づいて、入力画像中のオブジェクトをセグメント化することができる。 SAMは通常、目標タスクで訓練された視覚モデルに似た、あるいは時として超えた認識精度を達成した。 SAMの性能が画像のオーバーヘッド問題にまで及んでいるかどうかを考察し、その開発に対するコミュニティの反応を導くのに役立てる。
  論文  参考訳（メタデータ） (2023-04-25T17:14:36Z)
• SAM Struggles in Concealed Scenes -- Empirical Study on "Segment Anything" [132.31628334155118]
  Segment Anything Model (SAM) はコンピュータビジョンの基礎モデルである。 本報告では,隠れた3つのシーン,すなわちカモフラージュされた動物,工業的欠陥,医療的障害を選択し,SAMを未開の環境下で評価する。 私たちの主な観察は、SAMが隠されたシーンでスキルを欠いているように見えることです。
  論文  参考訳（メタデータ） (2023-04-12T17:58:03Z)

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。