Fugu-MT 論文翻訳(概要): Backdoor Attacks on Deep Learning Face Detection

論文の概要: Backdoor Attacks on Deep Learning Face Detection

arxiv url: http://arxiv.org/abs/2508.00620v1
Date: Fri, 01 Aug 2025 13:29:26 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-04 18:08:53.893961
Title: Backdoor Attacks on Deep Learning Face Detection
Title（参考訳）: 深層学習顔検出におけるバックドアアタック
Authors: Quentin Le Roux, Yannick Teglia, Teddy Furon, Philippe Loubet-Moundi,
Abstract要約: 本稿では,顔検出におけるオブジェクト生成攻撃の有効性を示す。顔検出装置が行う座標回帰タスクをバックドアとするランドマークシフトアタックを初めて実演する。
参考スコア（独自算出の注目度）: 8.899491864225464
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Face Recognition Systems that operate in unconstrained environments capture images under varying conditions,such as inconsistent lighting, or diverse face poses. These challenges require including a Face Detection module that regresses bounding boxes and landmark coordinates for proper Face Alignment. This paper shows the effectiveness of Object Generation Attacks on Face Detection, dubbed Face Generation Attacks, and demonstrates for the first time a Landmark Shift Attack that backdoors the coordinate regression task performed by face detectors. We then offer mitigations against these vulnerabilities.
Abstract（参考訳）: 制約のない環境で動作している顔認識システムは、一貫性のない照明や多様な顔のポーズなど、様々な条件下で画像をキャプチャする。これらの課題には、バウンディングボックスを回帰するFace Detectionモジュールと、適切なFace Alignmentのためのランドマーク座標を含む必要がある。本稿では,顔検出におけるオブジェクト生成攻撃の有効性を示すとともに,顔検出装置が行う座標回帰タスクをバックドアとするランドマークシフト攻撃(Landmark Shift Attack)を初めて示す。そして、これらの脆弱性を軽減します。

関連論文リスト

Hiding Faces in Plain Sight: Defending DeepFakes by Disrupting Face Detection [56.289631511616975]
本稿では,プロアクティブなディープフェイク防衛フレームワークであるエム・フェイスポージョンの有効性について検討し,個人がディープフェイクビデオの被害者にならないようにした。 FacePoisonをベースとしたEm VideoFacePoisonは、各フレームに個別に適用するのではなく、ビデオフレーム間でFacePoisonを伝搬する戦略である。本手法は5つの顔検出器で検証され,11種類のDeepFakeモデルに対する広範な実験により,顔検出器を破壊してDeepFakeの発生を妨げる効果が示された。
論文参考訳（メタデータ） (2024-12-02T04:17:48Z)
ID-Guard: A Universal Framework for Combating Facial Manipulation via Breaking Identification [60.73617868629575]
深層学習に基づく顔操作の誤用は、公民権に重大な脅威をもたらす。この不正行為を防止するため、操作過程を妨害する積極的な防御法が提案されている。本稿では,IDガード(ID-Guard)と呼ばれる顔の操作に対処するための普遍的な枠組みを提案する。
論文参考訳（メタデータ） (2024-09-20T09:30:08Z)
Privacy-preserving Optics for Enhancing Protection in Face De-identification [60.110274007388135]
この脆弱性を解決するために,ハードウェアレベルの顔識別手法を提案する。また、プライバシ保存画像、フェイスヒートマップ、およびパブリックデータセットからの参照顔イメージを入力として、新しい顔を生成する匿名化フレームワークを提案する。
論文参考訳（メタデータ） (2024-03-31T19:28:04Z)
Poisoned Forgery Face: Towards Backdoor Attacks on Face Forgery Detection [62.595450266262645]
本稿では,バックドア攻撃による顔偽造検出の新たな脅威について紹介する。バックドアをモデルに埋め込むことで、攻撃者は検知器を騙して偽造された顔の誤予測を発生させることができる。我々は,顔偽造検知器に対するクリーンラベルバックドア攻撃を可能にするemphPoisoned Forgery Faceフレームワークを提案する。
論文参考訳（メタデータ） (2024-02-18T06:31:05Z)
Exploring Decision-based Black-box Attacks on Face Forgery Detection [53.181920529225906]
顔の偽造生成技術は鮮明な顔を生み出し、セキュリティとプライバシーに対する世間の懸念を高めている。顔偽造検出は偽の顔の識別に成功しているが、最近の研究では顔偽造検出は敵の例に対して非常に脆弱であることが示されている。
論文参考訳（メタデータ） (2023-10-18T14:49:54Z)
A Comparative Analysis of the Face Recognition Methods in Video Surveillance Scenarios [0.0]
本研究では,最先端の顔認識手法に対する比較ベンチマーク表を提案する。本研究では, 年齢差, クラス内差(顔のメイクアップ, ひげなど)のある顔IDの映像監視データセットを構築し, ネイティブな顔画像データを用いて評価を行った。一方、この研究は、マスクのない顔、マスクされた顔、眼鏡をかけた顔など、さまざまな状況下で最高の認識方法を発見する。
論文参考訳（メタデータ） (2022-11-05T17:59:18Z)
Restricted Black-box Adversarial Attack Against DeepFake Face Swapping [70.82017781235535]
本稿では,顔画像偽造モデルに対する問い合わせを一切必要としない現実的な敵攻撃を提案する。本手法は,顔の再構成を行う代用モデルに基づいて構築され,置換モデルから非アクセス可能なブラックボックスDeepFakeモデルへの逆例を直接転送する。
論文参考訳（メタデータ） (2022-04-26T14:36:06Z)
Vulnerability Analysis of Face Morphing Attacks from Landmarks and Generative Adversarial Networks [0.8602553195689513]
本稿は,OpenCV, FaceMorpher, WebMorph, および生成対向ネットワーク(StyleGAN)に基づく4種類のモーフィング攻撃を用いた新しいデータセットを提供する。また,facenet,vgg-face,arcfaceなど,最先端の顔認識システムの脆弱性を評価するための広範な実験を行った。
論文参考訳（メタデータ） (2020-12-09T22:10:17Z)
Vulnerability of Face Recognition Systems Against Composite Face Reconstruction Attack [3.3707422585608953]
ラウンド信頼スコアは自明であるが、勾配降下画像再構成攻撃を阻止するためのシンプルで効果的な対策であると考えられる。本稿では, 複合顔を用いた顔復元攻撃が, 丸め政策の非効率性を明らかにすることを実証する。
論文参考訳（メタデータ） (2020-08-23T03:37:51Z)

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。