論文の概要: Structured Universal Adversarial Attacks on Object Detection for Video Sequences

• arxiv url: http://arxiv.org/abs/2510.14460v1
• Date: Thu, 16 Oct 2025 09:00:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.790216
• Title: Structured Universal Adversarial Attacks on Object Detection for Video Sequences
• Title（参考訳）: 映像系列の物体検出における構造的ユニバーサル・ディバイザ・アタック
• Authors: Sven Jacob, Weijia Shao, Gjergji Kasneci,
• Abstract要約: ビデオに基づく物体検出は、安全クリティカルなアプリケーションにおいて重要な役割を果たす。 本稿では,ビデオオブジェクト検出に適した最小歪みのユニバーサル・ディベサール・アタックを提案する。
• 参考スコア（独自算出の注目度）: 15.797625518614081
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Video-based object detection plays a vital role in safety-critical applications. While deep learning-based object detectors have achieved impressive performance, they remain vulnerable to adversarial attacks, particularly those involving universal perturbations. In this work, we propose a minimally distorted universal adversarial attack tailored for video object detection, which leverages nuclear norm regularization to promote structured perturbations concentrated in the background. To optimize this formulation efficiently, we employ an adaptive, optimistic exponentiated gradient method that enhances both scalability and convergence. Our results demonstrate that the proposed attack outperforms both low-rank projected gradient descent and Frank-Wolfe based attacks in effectiveness while maintaining high stealthiness. All code and data are publicly available at https://github.com/jsve96/AO-Exp-Attack.
• Abstract（参考訳）: ビデオに基づく物体検出は、安全クリティカルなアプリケーションにおいて重要な役割を果たす。 深層学習に基づく物体検出器は目覚ましい性能を達成したが、敵の攻撃、特に普遍的な摂動に弱いままである。 本研究では,背景に集中した構造的摂動を促進するために,核ノルムの正規化を活用する,ビデオオブジェクト検出に適した最小歪みのユニバーサル対向攻撃を提案する。 この定式化を効率よく最適化するために、拡張性と収束性の両方を高める適応的で楽観的な指数勾配法を用いる。 その結果,提案攻撃は高いステルス性を維持しつつも,低ランクの投射勾配降下とフランク・ウルフベースの攻撃の双方に優れることが示された。 すべてのコードとデータはhttps://github.com/jsve96/AO-Exp-Attack.comで公開されている。

関連論文リスト

• DisPatch: Disarming Adversarial Patches in Object Detection with Diffusion Models [8.800216228212824]
  最先端のオブジェクト検出器はいまだに敵のパッチ攻撃に弱い。 オブジェクト検出のための最初の拡散型防御フレームワークであるDisdisを紹介する。 DISは、隠蔽攻撃と攻撃生成の両方において、最先端の防御を一貫して上回る。
  論文  参考訳（メタデータ） (2025-09-04T18:20:36Z)
• GRILL: Gradient Signal Restoration in Ill-Conditioned Layers to Enhance Adversarial Attacks on Autoencoders [4.046100165562807]
  GRILLは、不条件層における勾配信号を復元し、より効果的なノルムバウンド攻撃を可能にする手法である。 本手法は敵攻撃の有効性を著しく向上させ,より厳密なAEロバスト性評価を可能にした。
  論文  参考訳（メタデータ） (2025-05-06T15:52:14Z)
• Meta Invariance Defense Towards Generalizable Robustness to Unknown Adversarial Attacks [62.036798488144306]
  現在の防衛は主に既知の攻撃に焦点を当てているが、未知の攻撃に対する敵意の強固さは見過ごされている。 メタ不変防衛(Meta Invariance Defense, MID)と呼ばれる攻撃非依存の防御手法を提案する。 MIDは高レベルの画像分類と低レベルの頑健な画像再生における攻撃抑制において,知覚不能な逆方向の摂動に対して同時に頑健性を実現する。
  論文  参考訳（メタデータ） (2024-04-04T10:10:38Z)
• Object-fabrication Targeted Attack for Object Detection [54.10697546734503]
  物体検出の敵攻撃は 標的攻撃と未標的攻撃を含む。 新たなオブジェクトファブリケーションターゲット攻撃モードは、特定のターゲットラベルを持つ追加の偽オブジェクトをファブリケートする検出器を誤解させる可能性がある。
  論文  参考訳（メタデータ） (2022-12-13T08:42:39Z)
• Adv-Attribute: Inconspicuous and Transferable Adversarial Attack on Face Recognition [111.1952945740271]
  Adv-Attribute (Adv-Attribute) は、顔認証に対する不明瞭で伝達可能な攻撃を生成するように設計されている。 FFHQとCelebA-HQデータセットの実験は、提案されたAdv-Attributeメソッドが最先端の攻撃成功率を達成することを示している。
  論文  参考訳（メタデータ） (2022-10-13T09:56:36Z)
• Efficient universal shuffle attack for visual object tracking [12.338273740874891]
  我々は,効率的なユニバーサルシャッフル攻撃という,オフラインのユニバーサル敵攻撃を提案する。 すべてのビデオでトラッカーの故障を引き起こすには、たった1回の摂動しかかからない。 実験結果から,EUSAは最先端トラッカーの性能を大幅に低下させることができることがわかった。
  論文  参考訳（メタデータ） (2022-03-14T07:48:06Z)
• Policy Smoothing for Provably Robust Reinforcement Learning [109.90239627115336]
  入力のノルム有界対向摂動に対する強化学習の証明可能な堅牢性について検討する。 我々は、スムーズなポリシーによって得られる全報酬が、入力の摂動のノルムバウンドな逆数の下で一定の閾値以下に収まらないことを保証した証明書を生成する。
  論文  参考訳（メタデータ） (2021-06-21T21:42:08Z)
• Robust Tracking against Adversarial Attacks [69.59717023941126]
  まず,ビデオシーケンス上に敵の例を生成して,敵の攻撃に対するロバスト性を改善する。 提案手法を最先端のディープトラッキングアルゴリズムに適用する。
  論文  参考訳（メタデータ） (2020-07-20T08:05:55Z)

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。