論文の概要: Toward Robust and Accurate Adversarial Camouflage Generation against Vehicle Detectors

• arxiv url: http://arxiv.org/abs/2411.10029v1
• Date: Fri, 15 Nov 2024 08:17:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-18 15:38:18.962816
• Title: Toward Robust and Accurate Adversarial Camouflage Generation against Vehicle Detectors
• Title（参考訳）: 車両検出器に対する逆カモフラージュ生成のロバスト化と高精度化に向けて
• Authors: Jiawei Zhou, Linye Lyu, Daojing He, Yu Li,
• Abstract要約: 本稿では,頑健で正確なカモフラージュ生成手法であるRAUCAを提案する。 RAUCAのコアは、車両のテクスチャを正確に最適化し投影できる新しいニューラルネットワークレンダリングコンポーネントであるEnd-to-End Neural Renderer Plus (E2E-NRP)である。 さらに、我々は、E2E-NRPを活用して攻撃堅牢性を高めるために、カモフラージュ生成のためのマルチウェザーデータセットを統合する。
• 参考スコア（独自算出の注目度）: 19.334642862951537
• License:
• Abstract: Adversarial camouflage is a widely used physical attack against vehicle detectors for its superiority in multi-view attack performance. One promising approach involves using differentiable neural renderers to facilitate adversarial camouflage optimization through gradient back-propagation. However, existing methods often struggle to capture environmental characteristics during the rendering process or produce adversarial textures that can precisely map to the target vehicle. Moreover, these approaches neglect diverse weather conditions, reducing the efficacy of generated camouflage across varying weather scenarios. To tackle these challenges, we propose a robust and accurate camouflage generation method, namely RAUCA. The core of RAUCA is a novel neural rendering component, End-to-End Neural Renderer Plus (E2E-NRP), which can accurately optimize and project vehicle textures and render images with environmental characteristics such as lighting and weather. In addition, we integrate a multi-weather dataset for camouflage generation, leveraging the E2E-NRP to enhance the attack robustness. Experimental results on six popular object detectors show that RAUCA-final outperforms existing methods in both simulation and real-world settings.
• Abstract（参考訳）: 対向カモフラージュは、多視点攻撃性能に優れた車両検出器に対する攻撃として広く用いられている。 1つの有望なアプローチは、微分可能なニューラルレンダラーを使用して、勾配のバックプロパゲーションによる対向的なカモフラージュ最適化を促進することである。 しかし、既存の手法では、レンダリング中に環境特性を捉えたり、ターゲット車両に正確にマッピングできる敵のテクスチャを作り出すのに苦労することが多い。 さらに、これらの手法は多様な気象条件を無視し、様々な気象シナリオで発生するカモフラージュの有効性を低下させる。 これらの課題に対処するため、我々は堅牢で正確なカモフラージュ生成法、すなわちRAUCAを提案する。 RAUCAのコアとなる新しいニューラルネットワークレンダリングコンポーネントであるEnd-to-End Neural Renderer Plus (E2E-NRP)は、車両のテクスチャを正確に最適化し、投影し、照明や天気などの環境特性を持つ画像をレンダリングする。 さらに、我々は、E2E-NRPを活用して攻撃堅牢性を高めるために、カモフラージュ生成のためのマルチウェザーデータセットを統合する。 6つの一般的な物体検出器の実験結果から、RAUCA-finalはシミュレーションと実世界の設定の両方において既存の手法より優れていることが示されている。

関連論文リスト

• TACO: Adversarial Camouflage Optimization on Trucks to Fool Object Detectors [0.0]
  敵攻撃は、自動運転車や防衛システムといった重要なアプリケーションにおいて、機械学習モデルの信頼性を脅かす。 本稿では3次元車両モデル上での対向カモフラージュパターンを生成する新しいフレームワークであるTrack Adversarial Camouflage Optimization (TACO)を提案する。 TACO は YOLOv8 の検出性能を著しく低下させ, 未確認試験データに対して AP@0.5 の 0.0099 を達成した。
  論文  参考訳（メタデータ） (2024-10-28T18:40:06Z)
• RAUCA: A Novel Physical Adversarial Attack on Vehicle Detectors via Robust and Accurate Camouflage Generation [19.334642862951537]
  本稿では,頑健で正確なカモフラージュ生成手法であるRAUCAを提案する。 RAUCAのコアはニューラルレンダリングコンポーネントであるNeural Renderer Plus(NRP)で、車両のテクスチャを正確に投影し、照明や天気などの環境特性を持つ画像を描画することができる。 6つの一般的な物体検出器の実験結果から、RAUCAはシミュレーションと実世界の両方の設定において、既存の手法を一貫して上回っていることが示されている。
  論文  参考訳（メタデータ） (2024-02-24T16:50:10Z)
• ACTIVE: Towards Highly Transferable 3D Physical Camouflage for Universal and Robust Vehicle Evasion [3.5049174854580842]
  本稿では,トランスファーブルおよび集中型車両侵入(ACTIVE:Adrial Camouflage for Transferable and Intensive Vehicle Evasion)について紹介する。 ACTIVEは、あらゆる3D車両を検出器から隠蔽できる、普遍的で堅牢な対向カモフラージュを生成する。 15種類の異なるモデルに対する実験は、様々な公共検出器における既存の研究を一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2023-08-14T08:52:41Z)
• Camouflaged Image Synthesis Is All You Need to Boost Camouflaged Detection [65.8867003376637]
  本研究では,カモフラージュデータの合成フレームワークを提案する。 提案手法では,既存の物体検出モデルのトレーニングに使用可能な,現実的なカモフラージュ画像の生成に生成モデルを用いる。 我々のフレームワークは3つのデータセット上で最先端の手法より優れています。
  論文  参考訳（メタデータ） (2023-08-13T06:55:05Z)
• ScatterNeRF: Seeing Through Fog with Physically-Based Inverse Neural Rendering [83.75284107397003]
  本稿では,シーンをレンダリングし,霧のない背景を分解するニューラルネットワークレンダリング手法であるScatterNeRFを紹介する。 本研究では,散乱量とシーンオブジェクトの非絡み合い表現を提案し,物理に着想を得た損失を伴ってシーン再構成を学習する。 マルチビューIn-the-Wildデータをキャプチャして,大規模な霧室内でのキャプチャを制御し,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2023-05-03T13:24:06Z)
• CamDiff: Camouflage Image Augmentation via Diffusion Model [83.35960536063857]
  CamDiffは、カモフラージュされたシーンで透明なオブジェクトを合成するための新しいアプローチだ。 我々は,潜伏拡散モデルを用いて,カモフラージュされたシーンで有能な物体を合成する。 当社のアプローチでは、フレキシブルな編集と大規模データセットの効率的な生成を低コストで実現している。
  論文  参考訳（メタデータ） (2023-04-11T19:37:47Z)
• Vision in adverse weather: Augmentation using CycleGANs with various object detectors for robust perception in autonomous racing [70.16043883381677]
  自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。 悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。 本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
  論文  参考訳（メタデータ） (2022-01-10T10:02:40Z)
• FCA: Learning a 3D Full-coverage Vehicle Camouflage for Multi-view Physical Adversarial Attack [5.476797414272598]
  そこで本研究では,FCA(Full-coverage Camouflage Attack)を提案する。 具体的には、まず、平面でないカモフラージュテクスチャを全車表面上でレンダリングする。 次に、レンダリングされたカモフラージュされた車両をフォトリアリスティックなシナリオに変換する変換関数を導入する。
  論文  参考訳（メタデータ） (2021-09-15T10:17:12Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• Cycle and Semantic Consistent Adversarial Domain Adaptation for Reducing Simulation-to-Real Domain Shift in LiDAR Bird's Eye View [110.83289076967895]
  ドメイン適応プロセス中に関心のある小さなオブジェクトの情報を保存するために,事前の意味分類を用いたサイクガンに基づくbevドメイン適応法を提案する。 生成したBEVの品質は,KITTI 3D Object Detection Benchmarkの最先端3Dオブジェクト検出フレームワークを用いて評価されている。
  論文  参考訳（メタデータ） (2021-04-22T12:47:37Z)

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。