論文の概要: Region-Guided Attack on the Segment Anything Model (SAM)

• arxiv url: http://arxiv.org/abs/2411.02974v2
• Date: Fri, 08 Nov 2024 06:55:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-11 11:36:15.108349
• Title: Region-Guided Attack on the Segment Anything Model (SAM)
• Title（参考訳）: セグメンテーションモデル(SAM)における地域誘導攻撃
• Authors: Xiaoliang Liu, Furao Shen, Jian Zhao,
• Abstract要約: SAM(Segment Anything Model)に特化して設計されたRegional-Guided Attack(RGA)を紹介する。 RGAはセグメント化された領域を操作し、大きなセグメントを断片化し、より小さな領域を拡大するターゲットの摂動を可能にし、SAMからの誤った出力をもたらす。 実験により,RGAはホワイトボックスとブラックボックスの両方のシナリオで高い成功率を達成することが示された。
• 参考スコア（独自算出の注目度）: 11.297063263827734
• License:
• Abstract: The Segment Anything Model (SAM) is a cornerstone of image segmentation, demonstrating exceptional performance across various applications, particularly in autonomous driving and medical imaging, where precise segmentation is crucial. However, SAM is vulnerable to adversarial attacks that can significantly impair its functionality through minor input perturbations. Traditional techniques, such as FGSM and PGD, are often ineffective in segmentation tasks due to their reliance on global perturbations that overlook spatial nuances. Recent methods like Attack-SAM-K and UAD have begun to address these challenges, but they frequently depend on external cues and do not fully leverage the structural interdependencies within segmentation processes. This limitation underscores the need for a novel adversarial strategy that exploits the unique characteristics of segmentation tasks. In response, we introduce the Region-Guided Attack (RGA), designed specifically for SAM. RGA utilizes a Region-Guided Map (RGM) to manipulate segmented regions, enabling targeted perturbations that fragment large segments and expand smaller ones, resulting in erroneous outputs from SAM. Our experiments demonstrate that RGA achieves high success rates in both white-box and black-box scenarios, emphasizing the need for robust defenses against such sophisticated attacks. RGA not only reveals SAM's vulnerabilities but also lays the groundwork for developing more resilient defenses against adversarial threats in image segmentation.
• Abstract（参考訳）: Segment Anything Model(SAM)は画像セグメンテーションの基盤であり、特に正確なセグメンテーションが不可欠である自律運転や医療画像において、様々なアプリケーションにおいて例外的なパフォーマンスを示す。 しかしSAMは、小さな入力摂動によってその機能を著しく損なう可能性のある敵攻撃に対して脆弱である。 FGSMやPGDといった従来の技術は、空間的ニュアンスを見下ろす大域的摂動に依存しているため、分割作業では効果がないことが多い。 アタック-SAM-KやUADといった最近の手法はこれらの課題に対処し始めているが、それらはしばしば外部の手がかりに依存しており、セグメンテーションプロセスにおける構造的相互依存性を完全に活用していない。 この制限は、セグメンテーションタスクのユニークな特徴を利用する新しい敵戦略の必要性を浮き彫りにしている。 そこで本研究では,SAMに特化して設計されたRegional-Guided Attack (RGA)を紹介した。 RGAは領域誘導マップ(Rerea-Guided Map, RGM)を使用してセグメント化された領域を操作する。 実験の結果,RGAはホワイトボックスとブラックボックスの両方のシナリオで高い成功率を達成し,このような高度な攻撃に対する堅牢な防御の必要性を強調した。 RGAはSAMの脆弱性を明らかにしているだけでなく、画像セグメンテーションにおける敵の脅威に対するより弾力的な防御を開発するための基盤も築いている。

関連論文リスト

• Distribution-aware Noisy-label Crack Segmentation [4.224255134206838]
  本稿では,Segment Anything Model(SAM)の一般的な知識をひび割れセグメンテーションに取り入れたSAM-Adapterを紹介する。 SAM-Adapterの有効性は、小さなトレーニングセット内のノイズラベルによって制約される。 本稿では,SAM-Adapterの識別学習プロセスを導くために,分布認識ドメイン固有の意味知識を活用する,革新的な共同学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-12T07:29:47Z)
• Adapting Segment Anything Model for Unseen Object Instance Segmentation [70.60171342436092]
  Unseen Object Instance(UOIS)は、非構造環境で動作する自律ロボットにとって不可欠である。 UOISタスクのためのデータ効率のよいソリューションであるUOIS-SAMを提案する。 UOIS-SAMは、(i)HeatmapベースのPrompt Generator(HPG)と(ii)SAMのマスクデコーダに適応する階層識別ネットワーク(HDNet)の2つの重要なコンポーネントを統合する。
  論文  参考訳（メタデータ） (2024-09-23T19:05:50Z)
• AlignSAM: Aligning Segment Anything Model to Open Context via Reinforcement Learning [61.666973416903005]
  Segment Anything Model (SAM)は、オープンワールドシナリオにおいて、プロンプトのガイダンスによって、その印象的な一般化機能を実証した。 オープンコンテキストにSAMをアライメントするための自動プロンプトのための新しいフレームワークAlignSAMを提案する。
  論文  参考訳（メタデータ） (2024-06-01T16:21:39Z)
• ASAM: Boosting Segment Anything Model with Adversarial Tuning [9.566046692165884]
  本稿では, 対角的チューニングにより基礎モデルの性能を増幅する新しい手法であるASAMを紹介する。 我々は,自然言語処理における実装の成功に触発された,自然対逆例の可能性を生かした。 本手法は, 対向例のフォトリアリズムを維持し, 元のマスクアノテーションとの整合性を確保する。
  論文  参考訳（メタデータ） (2024-05-01T00:13:05Z)
• Region-aware Distribution Contrast: A Novel Approach to Multi-Task Partially Supervised Learning [50.88504784466931]
  マルチタスク密度予測にはセマンティックセグメンテーション、深さ推定、表面正規推定が含まれる。 既存のソリューションは通常、グローバルなクロスタスク画像マッチングのためのグローバルなイメージ表現の学習に依存している。 本提案では,ガウス分布を用いた地域表現をモデル化する。
  論文  参考訳（メタデータ） (2024-03-15T12:41:30Z)
• UN-SAM: Universal Prompt-Free Segmentation for Generalized Nuclei Images [47.59627416801523]
  デジタル病理学において、正確な核分割は、組織の種類、染色プロトコル、イメージング条件の多様性によって、重要な課題である。 我々はUniversal prompt-free SAM framework for Nuclei segmentation (UN-SAM)を提案する。 例外的な性能を持つUN-SAMは、核インスタンスやセマンティックセグメンテーションの最先端、特にゼロショットシナリオにおける一般化能力を上回っている。
  論文  参考訳（メタデータ） (2024-02-26T15:35:18Z)
• BLO-SAM: Bi-level Optimization Based Overfitting-Preventing Finetuning of SAM [37.1263294647351]
  BLO-SAMを導入し、二段階最適化(BLO)に基づいてSAM(Segment Anything Model)を微調整する。 BLO-SAMは、モデルの重みパラメータのトレーニングと、トレーニングデータセットの2つの別々のサブセットへの迅速な埋め込みによって、過適合のリスクを低減する。 その結果、BLO-SAMは様々な最先端画像セマンティックセグメンテーション法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-02-26T06:36:32Z)
• Influence of Prompting Strategies on Segment Anything Model (SAM) for Short-axis Cardiac MRI segmentation [2.4828003234992666]
  Segment Anything Model (SAM)は、最近、ファンデーションモデルにおいて重要なブレークスルーとして登場した。 本研究は, SAM基礎モデルを用いて, 心磁気共鳴画像(cMRI)短軸視分割の課題に焦点をあてる。
  論文  参考訳（メタデータ） (2023-12-14T13:40:28Z)
• Guided Prompting in SAM for Weakly Supervised Cell Segmentation in Histopathological Images [27.14641973632063]
  本稿では、セグメンタを誘導するために、関連するタスクからのアノテーションである弱い監視を使用することに焦点を当てる。 SAM(Segment Anything)のような最近の基礎モデルは、推論中に追加の監視を活用するためにプロンプトを使用することができる。 すべてのSAMベースのソリューションは、既存の弱教師付きイメージセグメンテーションモデルを大幅に上回り、9～15 ptのDiceゲインを得る。
  論文  参考訳（メタデータ） (2023-11-29T11:18:48Z)
• Semantic Attention and Scale Complementary Network for Instance Segmentation in Remote Sensing Images [54.08240004593062]
  本稿では,セマンティックアテンション(SEA)モジュールとスケール補完マスクブランチ(SCMB)で構成される,エンドツーエンドのマルチカテゴリインスタンスセグメンテーションモデルを提案する。 SEAモジュールは、機能マップ上の興味あるインスタンスのアクティベーションを強化するために、追加の監督を備えた、単純な完全な畳み込みセマンティックセマンティックセマンティクスブランチを含んでいる。 SCMBは、元のシングルマスクブランチをトリデントマスクブランチに拡張し、異なるスケールで補完マスクの監視を導入する。
  論文  参考訳（メタデータ） (2021-07-25T08:53:59Z)
• Exploring Robustness of Unsupervised Domain Adaptation in Semantic Segmentation [74.05906222376608]
  クリーンな画像とそれらの逆の例との一致を、出力空間における対照的な損失によって最大化する、逆向きの自己スーパービジョンUDA(ASSUDA)を提案する。 i) セマンティックセグメンテーションにおけるUDA手法のロバスト性は未解明のままであり, (ii) 一般的に自己スーパービジョン(回転やジグソーなど) は分類や認識などのイメージタスクに有効であるが, セグメンテーションタスクの識別的表現を学習する重要な監視信号の提供には失敗している。
  論文  参考訳（メタデータ） (2021-05-23T01:50:44Z)

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。