論文の概要: Robustifying 3D Perception through Least-Squares Multi-Agent Graphs Object Tracking

• arxiv url: http://arxiv.org/abs/2507.04762v1
• Date: Mon, 07 Jul 2025 08:41:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:35.333174
• Title: Robustifying 3D Perception through Least-Squares Multi-Agent Graphs Object Tracking
• Title（参考訳）: 最小二乗のマルチエージェントグラフによる3次元知覚のロバスト化
• Authors: Maria Damanaki, Ioulia Kapsali, Nikos Piperigkos, Alexandros Gkillas, Aris S. Lalos,
• Abstract要約: 本稿では,3次元LiDARシーンにおける対向雑音に対する新たな緩和フレームワークを提案する。 我々は最小二乗グラフツールを用いて各検出の遠心点の位置誤差を低減する。 実世界のV2V4Realデータセットに関する広範な評価研究は、提案手法がシングルエージェントとマルチエージェントの両方のトラッキングフレームワークよりも大幅に優れていることを示す。
• 参考スコア（独自算出の注目度）: 43.11267507022928
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The critical perception capabilities of EdgeAI systems, such as autonomous vehicles, are required to be resilient against adversarial threats, by enabling accurate identification and localization of multiple objects in the scene over time, mitigating their impact. Single-agent tracking offers resilience to adversarial attacks but lacks situational awareness, underscoring the need for multi-agent cooperation to enhance context understanding and robustness. This paper proposes a novel mitigation framework on 3D LiDAR scene against adversarial noise by tracking objects based on least-squares graph on multi-agent adversarial bounding boxes. Specifically, we employ the least-squares graph tool to reduce the induced positional error of each detection's centroid utilizing overlapped bounding boxes on a fully connected graph via differential coordinates and anchor points. Hence, the multi-vehicle detections are fused and refined mitigating the adversarial impact, and associated with existing tracks in two stages performing tracking to further suppress the adversarial threat. An extensive evaluation study on the real-world V2V4Real dataset demonstrates that the proposed method significantly outperforms both state-of-the-art single and multi-agent tracking frameworks by up to 23.3% under challenging adversarial conditions, operating as a resilient approach without relying on additional defense mechanisms.
• Abstract（参考訳）: 自動運転車のようなEdgeAIシステムの重要な認識能力は、時間をかけて複数の物体の正確な識別と位置決めを可能にし、その影響を緩和することで、敵の脅威に対して回復力を持つことが求められている。 単一エージェント追跡は、敵の攻撃に対するレジリエンスを提供するが、状況認識が欠如しており、コンテキスト理解と堅牢性を高めるためのマルチエージェント協調の必要性を強調している。 本稿では,複数エージェントの対向境界ボックス上の最小二乗グラフに基づく物体追跡により,3次元LiDARシーンの対向雑音に対する新たな緩和フレームワークを提案する。 具体的には,差分座標とアンカー点による全連結グラフ上の重なり合う有界ボックスを利用して,各検出のセントロイドの位置誤差を低減するために,最小二乗グラフツールを用いる。 したがって、複数車両検出は、敵の衝撃を軽減し、さらに敵の脅威を抑制するために2段階の既存のトラックに関連付けられている。 実世界のV2V4Realデータセットに関する広範な評価研究により、提案手法は、防御機構の追加に頼ることなくレジリエントなアプローチとして機能する、挑戦的な条件下で、最先端のシングルエージェントとマルチエージェントトラッキングフレームワークを最大23.3%向上させることを示した。

関連論文リスト

• AnywhereDoor: Multi-Target Backdoor Attacks on Object Detection [9.539021752700823]
  AnywhereDoorは、オブジェクト検出のためのマルチターゲットバックドアアタックである。 敵は、すべてのオブジェクトクラスまたは特定のオブジェクトクラスをまたいで、オブジェクトを消したり、新しいオブジェクトを作ったり、ラベルを間違えたりすることができる。 このような柔軟な制御のための既存の手法の適応と比較して、攻撃成功率を26%向上させる。
  論文  参考訳（メタデータ） (2025-03-09T09:24:24Z)
• AnywhereDoor: Multi-Target Backdoor Attacks on Object Detection [9.539021752700823]
  AnywhereDoorは、オブジェクト検出のためのマルチターゲットバックドアアタックである。 敵は、すべてのオブジェクトクラスまたは特定のオブジェクトクラスをまたいで、オブジェクトを消したり、新しいオブジェクトを作ったり、ラベルを間違えたりすることができる。 このような柔軟な制御のための既存の手法の適応と比較して、攻撃成功率を26%向上させる。
  論文  参考訳（メタデータ） (2024-11-21T15:50:59Z)
• Multi-granular Adversarial Attacks against Black-box Neural Ranking Models [111.58315434849047]
  多粒性摂動を取り入れた高品質な逆数例を作成する。 我々は,多粒体攻撃を逐次的意思決定プロセスに変換する。 本手法は,攻撃の有効性と非受容性の両方において,一般的なベースラインを超えている。
  論文  参考訳（メタデータ） (2024-04-02T02:08:29Z)
• ADoPT: LiDAR Spoofing Attack Detection Based on Point-Level Temporal Consistency [11.160041268858773]
  ディープニューラルネットワーク(DNN)は、自動運転車(AV)のためのLiDARベースの知覚システムにますます統合されている 我々は,攻撃者がLiDARデータに偽のオブジェクトを注入し,その環境を誤解釈して誤った判断を下すという,LiDAR偽造攻撃の課題に対処することを目指している。 ADoPT (Anomaly Detection based on Point-level Temporal consistency) は、連続するフレーム間の時間的一貫性を定量的に測定し、ポイントクラスタのコヒーレンシーに基づいて異常物体を同定する。 nuScenesデータセットを用いた評価では、アルゴリズムは様々なLiDARスプーフィング攻撃に対して効果的に対応し、低(低)を実現している。
  論文  参考訳（メタデータ） (2023-10-23T02:31:31Z)
• A Minimax Approach Against Multi-Armed Adversarial Attacks Detection [31.971443221041174]
  多武装の敵攻撃は、最先端の検出器を騙すことに成功している。 本稿では,複数の事前学習型検出器のソフト・確率出力をミニマックス・アプローチで集約する手法を提案する。 我々は,アグリゲーションが,多腕対人攻撃に対する個々の最先端検出器より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-04T18:21:22Z)
• A Comprehensive Study of the Robustness for LiDAR-based 3D Object Detectors against Adversarial Attacks [84.10546708708554]
  3Dオブジェクト検出器は、セキュリティクリティカルなタスクにおいてますます重要になっている。 敵の攻撃に対する強固さを理解することが不可欠である。 本稿では,LiDARをベースとした3次元検出器の対角攻撃時のロバスト性評価と解析を行った。
  論文  参考訳（メタデータ） (2022-12-20T13:09:58Z)
• Exploring Adversarial Robustness of Multi-Sensor Perception Systems in Self Driving [87.3492357041748]
  本稿では,敵物体をホスト車両の上に配置することで,マルチセンサ検出の実用的感受性を示す。 実験の結果, 攻撃が成功した原因は主に画像の特徴が損なわれやすいことが判明した。 よりロバストなマルチモーダル知覚システムに向けて,特徴分断を伴う敵対的訓練が,このような攻撃に対するロバスト性を大幅に高めることを示す。
  論文  参考訳（メタデータ） (2021-01-17T21:15:34Z)

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。