論文の概要: Texture- and Shape-based Adversarial Attacks for Overhead Image Vehicle Detection

• arxiv url: http://arxiv.org/abs/2412.16358v2
• Date: Tue, 09 Sep 2025 07:12:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:26.729084
• Title: Texture- and Shape-based Adversarial Attacks for Overhead Image Vehicle Detection
• Title（参考訳）: オーバーヘッド画像車両検出のためのテクスチャーと形状に基づく対向攻撃
• Authors: Mikael Yeghiazaryan, Sai Abhishek Siddhartha Namburu, Emily Kim, Stanislav Panev, Celso de Melo, Fernando De la Torre, Jessica K. Hodgins,
• Abstract要約: 本研究では,テクスチャの解決,修正領域の制限,色域の制約について,現実的で実践的な制約を提案する。 本研究は, 形状変化が攻撃性能に及ぼす影響を解析する。 敵攻撃をサポートするために、コードとデータの両方をリリースします。
• 参考スコア（独自算出の注目度）: 47.373554501937264
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detecting vehicles in aerial images is difficult due to complex backgrounds, small object sizes, shadows, and occlusions. Although recent deep learning advancements have improved object detection, these models remain susceptible to adversarial attacks (AAs), challenging their reliability. Traditional AA strategies often ignore practical implementation constraints. Our work proposes realistic and practical constraints on texture (lowering resolution, limiting modified areas, and color ranges) and analyzes the impact of shape modifications on attack performance. We conducted extensive experiments with three object detector architectures, demonstrating the performance-practicality trade-off: more practical modifications tend to be less effective, and vice versa. We release both code and data to support reproducibility at https://github.com/humansensinglab/texture-shape-adversarial-attacks.
• Abstract（参考訳）: 複雑な背景、小さな物体の大きさ、影、閉塞のため、空中画像中の車両の検出は困難である。 最近のディープラーニングの進歩はオブジェクト検出を改善しているが、これらのモデルは敵攻撃(AA)の影響を受けやすいままであり、信頼性に挑戦している。 従来のAA戦略は実践的な実装の制約を無視することが多い。 本研究は,テクスチャの現実的かつ実践的な制約(低調度,修正領域の制限,色域)を提案し,形状修正が攻撃性能に与える影響を解析する。 我々は3つのオブジェクト検出器アーキテクチャによる広範囲な実験を行い、性能と実用性のトレードオフを実証した。 再現性をサポートするために、コードとデータをhttps://github.com/ Humansensinglab/texture-shape-adversarial- attacksでリリースします。

関連論文リスト

• Effective and Efficient Adversarial Detection for Vision-Language Models via A Single Vector [97.92369017531038]
  Diverse hArmful Responses (RADAR) を用いた新しい laRge-scale Adervsarial 画像データセットを構築した。 そこで我々は,視覚言語モデル (VLM) の隠れ状態から抽出した1つのベクトルを利用して,入力中の良質な画像に対して対向画像を検出する,新しいiN時間埋め込み型AdveRSarial Image Detectction (NEARSIDE) 法を開発した。
  論文  参考訳（メタデータ） (2024-10-30T10:33:10Z)
• Object Detection in Aerial Images in Scarce Data Regimes [0.0]
  小さな物体は、より多数の空中画像において、自然画像と空中画像の間の明らかなパフォーマンスギャップの原因となっている。 FSOD法の訓練と評価を改善するスケール適応型ボックス類似度基準を提案する。 また、計量学習と微調整に基づく2つの異なるアプローチによる汎用FSODにも貢献する。
  論文  参考訳（メタデータ） (2023-10-16T14:16:47Z)
• CarPatch: A Synthetic Benchmark for Radiance Field Evaluation on Vehicle Components [77.33782775860028]
  車両の新たな総合ベンチマークであるCarPatchを紹介する。 内在カメラパラメータと外在カメラパラメータを付加した画像のセットに加えて、各ビューに対して対応する深度マップとセマンティックセグメンテーションマスクが生成されている。 グローバルとパートベースのメトリクスは、いくつかの最先端技術を評価し、比較し、より良い特徴付けるために定義され、使われてきた。
  論文  参考訳（メタデータ） (2023-07-24T11:59:07Z)
• To Make Yourself Invisible with Adversarial Semantic Contours [47.755808439588094]
  逆セマンティック・コンター(英: Adversarial Semantic Contour、ASC)は、物体の輪郭の前に騙されたスパース・アタックのベイズ的定式化の見積もりである。 ASCは、異なるアーキテクチャを持つ9つの近代検出器の予測を損なう可能性があることを示す。 我々は、様々なアーキテクチャを持つ物体検出器の共通弱点である輪郭について注意を払って結論付けた。
  論文  参考訳（メタデータ） (2023-03-01T07:22:39Z)
• Geometrically Adaptive Dictionary Attack on Face Recognition [23.712389625037442]
  顔認証に対するクエリ効率の良いブラックボックス攻撃のための戦略を提案する。 中心となるアイデアは、UVテクスチャマップに逆方向の摂動を作り、それを画像の顔に投影することです。 LFWデータセットとCPLFWデータセットの実験において、圧倒的な性能改善を示す。
  論文  参考訳（メタデータ） (2021-11-08T10:26:28Z)
• Evaluating the Robustness of Semantic Segmentation for Autonomous Driving against Real-World Adversarial Patch Attacks [62.87459235819762]
  自動運転車のような現実のシナリオでは、現実の敵例(RWAE)にもっと注意を払わなければならない。 本稿では,デジタルおよび実世界の敵対パッチの効果を検証し,一般的なSSモデルのロバスト性を詳細に評価する。
  論文  参考訳（メタデータ） (2021-08-13T11:49:09Z)
• EAGLE: Large-scale Vehicle Detection Dataset in Real-World Scenarios using Aerial Imagery [3.8902657229395894]
  航空画像における物体方向情報を用いた多種多様な車両検出のための大規模データセットを提案する。 様々なカメラセンサー、解像度、飛行高度、天候、照明、ヘイズ、シャドウ、時間、都市、国、オクルージョン、カメラアングルを備えた、さまざまな現実世界の状況からなる高解像度の空中画像が特徴である。 215,986のインスタンスに4つのポイントと向きで定義された向き付きバウンディングボックスがアノテートされており、このタスクでこれまでで最大のデータセットとなっている。 また、ヘイズやシャドウ除去の研究や、超高解像度やインペイントの応用も支援している。
  論文  参考訳（メタデータ） (2020-07-12T23:00:30Z)
• Tracking Road Users using Constraint Programming [79.32806233778511]
  本稿では,マルチオブジェクトトラッキング(MOT)問題のトラッキング・バイ・検出パラダイムに見られるデータアソシエーションフェーズに対する制約プログラミング(CP)アプローチを提案する。 提案手法は車両追跡データを用いてテストし,UA-DETRACベンチマークの上位手法よりも優れた結果を得た。
  論文  参考訳（メタデータ） (2020-03-10T00:04:32Z)

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。