論文の概要: Robust Physical Adversarial Patches Using Dynamically Optimized Clusters
- arxiv url: http://arxiv.org/abs/2511.18656v1
- Date: Sun, 23 Nov 2025 23:43:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-25 18:34:24.952888
- Title: Robust Physical Adversarial Patches Using Dynamically Optimized Clusters
- Title（参考訳）: 動的に最適化されたクラスタを用いたロバストな物理対向パッチ
- Authors: Harrison Bagley, Will Meakin, Simon Lucey, Yee Wei Law, Tat-Jun Chin,
- Abstract要約: Ap proachはSimple Linear Iterative Clustering (SLIC)アルゴリズムを用いて、最適化中に相手パッチ内のピクセルを動的にクラスタする。
提案手法は,デジタル領域における性能向上を実現し,物理的に実現すれば,これらの性能向上は維持される。
- 参考スコア（独自算出の注目度）: 32.475319682099695
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Physical adversarial attacks on deep learning systems is concerning due to the ease of deploying such attacks, usually by placing an adversarial patch in a scene to manipulate the outcomes of a deep learning model. Training such patches typically requires regularization that improves physical realizability (e.g., printability, smoothness) and/or robustness to real-world variability (e.g. deformations, viewing angle, noise). One type of variability that has received little attention is scale variability. When a patch is rescaled, either digitally through downsampling/upsampling or physically through changing imaging distances, interpolation-induced color mixing occurs. This smooths out pixel values, resulting in a loss of high-frequency patterns and degrading the adversarial signal. To address this, we present a novel superpixel-based regularization method that guides patch optimization to scale-resilient structures. Our ap proach employs the Simple Linear Iterative Clustering (SLIC) algorithm to dynamically cluster pixels in an adversarial patch during optimization. The Implicit Function Theorem is used to backpropagate gradients through SLIC to update the superpixel boundaries and color. This produces patches that maintain their structure over scale and are less susceptible to interpolation losses. Our method achieves greater performance in the digital domain, and when realized physically, these performance gains are preserved, leading to improved physical performance. Real-world performance was objectively assessed using a novel physical evaluation protocol that utilizes screens and cardboard cut-outs to systematically vary real-world conditions.
- Abstract（参考訳）: 深層学習システムに対する物理的敵攻撃は、このような攻撃の展開が容易なため、通常、深層学習モデルの結果を操作するために、現場に敵パッチを配置する。
このようなパッチのトレーニングには、通常、物理的実現可能性(例えば、印刷性、滑らかさ)と/または実世界の可変性(例えば、変形、視角、ノイズ)を改善するための規則化が必要である。
ほとんど注目されていない変数の1つのタイプは、スケール変数である。
パッチがデジタル的にダウンサンプリング/アップサンプリングされるか、または撮像距離を変化させて物理的に再スケールされると、補間誘起色混合が発生する。
これにより画素値が滑らかになり、高周波パターンが失われ、対向信号が劣化する。
そこで本研究では,パッチ最適化をスケールレジリエントな構造に導く,新たなスーパーピクセルベースの正規化手法を提案する。
当社のap proachでは,最適化中に逆パッチ内のピクセルを動的にクラスタリングするために,Simple Linear Iterative Clustering (SLIC)アルゴリズムを採用している。
Implicit関数定理は、スーパーピクセル境界と色を更新するためにSLICを通して勾配をバックプロパゲートするために使用される。
これにより、その構造を大規模に維持し、補間損失の影響を受けにくいパッチが生成される。
提案手法は,デジタル領域において高い性能を実現し,物理的に実現すれば,これらの性能向上は維持され,身体的性能が向上する。
実世界の環境を体系的に変化させるためにスクリーンと段ボールのカットアウトを利用する新しい物理評価プロトコルを用いて実世界のパフォーマンスを客観的に評価した。
関連論文リスト
- 3D Gaussian Splatting Driven Multi-View Robust Physical Adversarial Camouflage Generation [50.03578546845548]
物理敵攻撃法は、ディープニューラルネットワークの脆弱性を露呈し、自律運転のような安全クリティカルなシナリオに重大な脅威をもたらす。
カモフラージュをベースとした物理的な攻撃は、パッチベースの攻撃よりも有望なアプローチであり、複雑な物理的環境においてより強力な対逆効果を提供する。
本稿では,PGAと命名された3Dガウススティング(3DGS)に基づく物理的攻撃フレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-02T05:10:16Z) - Robust Network Learning via Inverse Scale Variational Sparsification [55.64935887249435]
時間連続な逆スケール空間の定式化において、逆スケールの変動スペーサー化フレームワークを導入する。
周波数ベースの手法とは異なり、我々の手法は小さな特徴を滑らかにすることでノイズを除去するだけでなく、ノイズを除去する。
各種騒音に対する頑健性の向上によるアプローチの有効性を示す。
論文 参考訳（メタデータ） (2024-09-27T03:17:35Z) - Learning Spatiotemporal Inconsistency via Thumbnail Layout for Face Deepfake Detection [41.35861722481721]
社会とサイバーセキュリティに対するディープフェイクの脅威は、重大な公衆の不安を引き起こしている。
本稿では,Thumbnail Layout(TALL)という,エレガントでシンプルだが効果的な戦略を紹介する。
TALLはビデオクリップを予め定義されたレイアウトに変換し、空間的および時間的依存関係の保存を実現する。
論文 参考訳（メタデータ） (2024-03-15T12:48:44Z) - DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image
Enhancement [77.0360085530701]
水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。
従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。
提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
論文 参考訳（メタデータ） (2023-12-12T06:07:21Z) - DAP: A Dynamic Adversarial Patch for Evading Person Detectors [8.187375378049353]
本稿ではDAP(Dynamic Adversarial Patch)を創出する新しいアプローチを提案する。
DAPは、攻撃効率と実世界の変換に対する堅牢性を最適化しながら、自然主義的な外観を維持している。
実験結果から,提案手法は最先端攻撃よりも優れていることが示された。
論文 参考訳（メタデータ） (2023-05-19T11:52:42Z) - AdvART: Adversarial Art for Camouflaged Object Detection Attacks [7.7889972735711925]
本稿では,自然主義的かつ不明瞭な敵パッチを生成するための新しいアプローチを提案する。
本手法は,パッチ内の画素値を直接操作することで,高い柔軟性と広い空間を実現する。
我々の攻撃は、デジタルワールドとエッジのスマートカメラでそれぞれ91.19%と72%の優れた成功率を達成する。
論文 参考訳（メタデータ） (2023-03-03T06:28:05Z) - RISP: Rendering-Invariant State Predictor with Differentiable Simulation
and Rendering for Cross-Domain Parameter Estimation [110.4255414234771]
既存のソリューションでは、大量のトレーニングデータが必要か、未知のレンダリング設定への一般化性が欠如している。
本稿では、ドメインのランダム化と微分可能なレンダリング勾配を併用してこの問題に対処する手法を提案する。
提案手法は, 再構成誤差を大幅に低減し, 未知のレンダリング構成間の一般化性が向上する。
論文 参考訳（メタデータ） (2022-05-11T17:59:51Z) - On the Real-World Adversarial Robustness of Real-Time Semantic
Segmentation Models for Autonomous Driving [59.33715889581687]
現実世界の敵対的な例(通常はパッチの形で)の存在は、安全クリティカルなコンピュータビジョンタスクにおけるディープラーニングモデルの使用に深刻な脅威をもたらす。
本稿では,異なる種類の対立パッチを攻撃した場合のセマンティックセグメンテーションモデルのロバスト性を評価する。
画素の誤分類を誘導する攻撃者の能力を改善するために, 新たな損失関数を提案する。
論文 参考訳（メタデータ） (2022-01-05T22:33:43Z)
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。