Fugu-MT 論文翻訳(概要): Physical Evaluation of Naturalistic Adversarial Patches for Camera-Based Traffic-Sign Detection

論文の概要: Physical Evaluation of Naturalistic Adversarial Patches for Camera-Based Traffic-Sign Detection

arxiv url: http://arxiv.org/abs/2603.00217v1
Date: Fri, 27 Feb 2026 16:54:53 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-03 19:50:56.113673
Title: Physical Evaluation of Naturalistic Adversarial Patches for Camera-Based Traffic-Sign Detection
Title（参考訳）: カメラによる交通信号検出のための自然主義的逆パッチの物理的評価
Authors: Brianna D'Urso, Tahmid Hasan Sakib, Syed Rafay Hasan, Terry N. Guo,
Abstract要約: 本稿では,自律走行車(AV)環境において,検知器をカスタマイズしたデータセットでトレーニングした場合,NAPが物理的交通信号設定にいかにうまく移行するかについて検討する。我々は、ドイツ交通信号認識ベンチマークからターゲットプラットフォームから取得した未歪な背景にトラフィックサインのインスタンスを貼り付けることで、複合データセットCompGTSRBを構築した。
参考スコア（独自算出の注目度）: 2.86989372262348
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: This paper studies how well Naturalistic Adversarial Patches (NAPs) transfer to a physical traffic sign setting when the detector is trained on a customized dataset for an autonomous vehicle (AV) environment. We construct a composite dataset, CompGTSRB (which is customized dataset for AV environment), by pasting traffic sign instances from the German Traffic Sign Recognition Benchmark (GTSRB) onto undistorted backgrounds captured from the target platform. CompGTSRB is used to train a YOLOv5 model and generate patches using a Generative Adversarial Network (GAN) with latent space optimization, following existing NAP methods. We carried out a series of experiments on our Quanser QCar testbed utilizing the front CSI camera provided in QCar. Across configurations, NAPs reduce the detector's STOP class confidence. Different configurations include distance, patch sizes, and patch placement. These results along with a detailed step-by-step methodology indicate the utility of CompGTSRB dataset and the proposed systematic physical protocols for credible patch evaluation. The research further motivate researching the defenses that address localized patch corruption in embedded perception pipelines.
Abstract（参考訳）: 本稿では,自律走行車(AV)環境において,検知器をカスタマイズしたデータセットでトレーニングした場合,NAPが物理的交通信号設定にいかにうまく移行するかについて検討する。我々は、ドイツ交通信号認識ベンチマーク(GTSRB)のトラフィックサインインスタンスを、ターゲットプラットフォームから取得した歪みのない背景に貼り付けることで、複合データセットCompGTSRB(AV環境向けにカスタマイズされたデータセット)を構築した。 CompGTSRB は YOLOv5 モデルをトレーニングし、GAN (Generative Adversarial Network) を用いて既存の NAP メソッドに従って遅延空間を最適化するパッチを生成する。我々はQCarに搭載されたフロントCSIカメラを用いてQuanser QCarテストベッド上で一連の実験を行った。構成全体にわたって、NAPは検出器のSTOPクラスの信頼性を低下させる。異なる構成には、距離、パッチサイズ、パッチ配置が含まれる。これらの結果は、CompGTSRBデータセットと、信頼性の高いパッチ評価のための体系的物理プロトコルの有用性を示す詳細なステップバイステップの方法論と共に示される。この研究は、組込み知覚パイプラインにおける局所的なパッチ破損に対処する防御の研究をさらに動機付けている。

関連論文リスト

LanePerf: a Performance Estimation Framework for Lane Detection [12.117964360565503]
車線検出は、高度運転支援システム(ADAS)の重要コンポーネントであるドメインシフトは、しばしば新しい環境にデプロイする際にモデルの信頼性を損なう。我々は新しいレーン性能推定フレームワーク(LanePerf)を提案する。本フレームワークは,事前学習した画像エンコーダとDeepSetsベースのアーキテクチャを用いて,画像と車線の特徴を統合する。
論文参考訳（メタデータ） (2025-07-17T08:24:57Z)
A Real-Time Defense Against Object Vanishing Adversarial Patch Attacks for Object Detection in Autonomous Vehicles [0.0]
ADAV (Adversarial Defense for autonomous Vehicles) は、物体の消滅するパッチ攻撃に対する新しい防御手法である。 ADAVはリアルタイムで動作し、AVのビデオフィードの以前のフレームからコンテキスト情報を活用する。 ADAVは、Berkeley Deep Drive BDD100Kデータセットの実際の運転データを用いて評価される。
論文参考訳（メタデータ） (2024-12-09T05:21:14Z)
STCMOT: Spatio-Temporal Cohesion Learning for UAV-Based Multiple Object Tracking [13.269416985959404]
無人航空機(UAV)ビデオにおける複数物体追跡(MOT)は、コンピュータビジョンにおける多様な用途において重要である。時空間結合型多目的追跡フレームワーク(STCMOT)を提案する。歴史的埋め込み機能を用いて,ReIDの表現と検出機能を逐次的にモデル化する。我々のフレームワークはMOTAとIDF1メトリクスで新しい最先端のパフォーマンスを設定します。
論文参考訳（メタデータ） (2024-09-17T14:34:18Z)
VegaEdge: Edge AI Confluence Anomaly Detection for Real-Time Highway IoT-Applications [2.812395851874055]
車両の異常検出は、事故防止、迅速な応答、交通流の最適化、ワークゾーンの安全など、高速道路の安全用途において重要な役割を担っている。軌道予測のパワーを利用した車両異常検出への軽量なアプローチを提案する。私たちは、現代のハイウェイ環境でリアルタイムのセキュリティと監視アプリケーションのために設計された、洗練されたAIコンバレンスであるVegaEdgeを紹介します。
論文参考訳（メタデータ） (2023-11-14T03:19:55Z)
DARTH: Holistic Test-time Adaptation for Multiple Object Tracking [87.72019733473562]
複数物体追跡(MOT)は、自律運転における知覚システムの基本的構成要素である。運転システムの安全性の追求にもかかわらず、テスト時間条件における領域シフトに対するMOT適応問題に対する解決策は提案されていない。我々はMOTの総合的なテスト時間適応フレームワークであるDARTHを紹介する。
論文参考訳（メタデータ） (2023-10-03T10:10:42Z)
Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。実世界のデータセットの実験では、大幅な改善が示されている。
論文参考訳（メタデータ） (2023-09-21T15:00:31Z)
Traffic Forecasting on New Roads Using Spatial Contrastive Pre-Training (SCPT) [39.055098754375294]
そこで本研究では,アテンポラルスプリット (ST) スプリット (ST) スプリット (ST) スプリット (ST) と呼ばれる新しいセットアップを導入し,未確認道路に一般化するモデルの能力を評価する。また,空間コントラスト事前学習(SCPT)と呼ばれる新しいフレームワークを提案し,未確認道路から潜時特徴を抽出する空間エンコーダモジュールを提案する。 SCPTフレームワークはまた、空間エンコーダの出力から既存のバックボーンへの遅延特徴を効果的に結合するために、ゲート付加(SGA)層と呼ばれる新しいレイヤも組み込んでいる。
論文参考訳（メタデータ） (2023-05-09T07:56:26Z)
CARLA-GeAR: a Dataset Generator for a Systematic Evaluation of Adversarial Robustness of Vision Models [61.68061613161187]
本稿では,合成データセットの自動生成ツールであるCARLA-GeARについて述べる。このツールは、Python APIを使用して、CARLAシミュレータ上に構築されており、自律運転のコンテキストにおいて、いくつかのビジョンタスク用のデータセットを生成することができる。本稿では,CARLA-GeARで生成されたデータセットが,現実世界の敵防衛のベンチマークとして今後どのように利用されるかを示す。
論文参考訳（メタデータ） (2022-06-09T09:17:38Z)
Cycle and Semantic Consistent Adversarial Domain Adaptation for Reducing Simulation-to-Real Domain Shift in LiDAR Bird's Eye View [110.83289076967895]
ドメイン適応プロセス中に関心のある小さなオブジェクトの情報を保存するために,事前の意味分類を用いたサイクガンに基づくbevドメイン適応法を提案する。生成したBEVの品質は,KITTI 3D Object Detection Benchmarkの最先端3Dオブジェクト検出フレームワークを用いて評価されている。
論文参考訳（メタデータ） (2021-04-22T12:47:37Z)
Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
論文参考訳（メタデータ） (2020-12-04T15:10:12Z)
Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文参考訳（メタデータ） (2020-07-28T07:34:30Z)

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。