論文の概要: Generative Adversarial Perturbations with Cross-paradigm Transferability on Localized Crowd Counting
- arxiv url: http://arxiv.org/abs/2603.24821v1
- Date: Wed, 25 Mar 2026 21:13:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-27 20:52:47.991409
- Title: Generative Adversarial Perturbations with Cross-paradigm Transferability on Localized Crowd Counting
- Title（参考訳）: 局所的集団計数におけるパラダイム移動性を有する生成的対向摂動
- Authors: Alabi Mehzabin Anisha, Guangjing Wang, Sriram Chellappan,
- Abstract要約: 我々は、密度マップと点回帰アーキテクチャのパラダイムの両方を損なう新しい逆向きのフレームワークを導入する。
我々は,0.55から1.69のトランスファー比を持つ,最先端の7つの群衆モデル間でのトランスファーに成功した。
本手法は,最先端の移動可能な攻撃戦略と比較して,攻撃の有効性と非受容性のバランスを崩す。
- 参考スコア（独自算出の注目度）: 0.6876170080150775
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: State-of-the-art crowd counting and localization are primarily modeled using two paradigms: density maps and point regression. Given the field's security ramifications, there is active interest in model robustness against adversarial attacks. Recent studies have demonstrated transferability across density-map-based approaches via adversarial patches, but cross-paradigm attacks (i.e., across both density map-based models and point regression-based models) remain unexplored. We introduce a novel adversarial framework that compromises both density map and point regression architectural paradigms through a comprehensive multi-task loss optimization. For point-regression models, we employ scene-density-specific high-confidence logit suppression; for density-map approaches, we use peak-targeted density map suppression. Both are combined with model-agnostic perceptual constraints to ensure that perturbations are effective and imperceptible to the human eye. Extensive experiments demonstrate the effectiveness of our attack, achieving on average a 7X increase in Mean Absolute Error compared to clean images while maintaining competitive visual quality, and successfully transferring across seven state-of-the-art crowd models with transfer ratios ranging from 0.55 to 1.69. Our approach strikes a balance between attack effectiveness and imperceptibility compared to state-of-the-art transferable attack strategies. The source code is available at https://github.com/simurgh7/CrowdGen
- Abstract（参考訳）: 最先端のクラウドカウントとローカライゼーションは、主に密度マップとポイントレグレッションの2つのパラダイムを用いてモデル化されている。
フィールドのセキュリティ上の問題を考えると、敵の攻撃に対する堅牢性をモデル化することへの積極的な関心がある。
近年の研究では、密度マップベースのアプローチを逆数パッチで横断するトランスファービリティが実証されているが、クロスパラダイム攻撃(すなわち密度マップベースのモデルと点回帰ベースのモデルの両方)は未解明のままである。
本稿では,マルチタスク損失最適化により,密度マップと点回帰アーキテクチャのパラダイムを損なう新たな逆転フレームワークを提案する。
点回帰モデルでは、シーン密度比の高信頼ロジット抑圧を用い、密度マップではピーク目標密度マップ抑圧を用いる。
どちらもモデル非依存の知覚的制約と組み合わせて、摂動がヒトの目にとって効果的で知覚できないことを保証する。
大規模な実験により、我々の攻撃の有効性を実証し、競争力のある視覚的品質を維持しながら、クリーンな画像と比較して平均7倍の絶対誤差を達成し、0.55から1.69の移動比を持つ7つの最先端の群衆モデルへの移動に成功した。
本手法は,最先端の移動可能な攻撃戦略と比較して,攻撃の有効性と非受容性のバランスを崩す。
ソースコードはhttps://github.com/simurgh7/CrowdGenで入手できる。
関連論文リスト
- AI Evasion and Impersonation Attacks on Facial Re-Identification with Activation Map Explanations [13.564481603680838]
本稿では,回避攻撃と偽装攻撃の両方が可能な敵パッチを生成するための新しい枠組みを提案する。
我々は,条件付きエンコーダ・デコーダネットワークを用いて,ソース画像とターゲット画像からのマルチスケール特徴を導出して,逆パッチを1つのフォワードパスで合成する。
我々のフレームワークはCelebA-HQで27%の成功率を獲得し、他のパッチベースの手法と競合する。
論文 参考訳（メタデータ） (2026-03-16T15:12:41Z) - A Frustratingly Simple Yet Highly Effective Attack Baseline: Over 90% Success Rate Against the Strong Black-box Models of GPT-4.5/4o/o1 [43.32593407341789]
オープンソースの大規模ビジョン言語モデルで有望なパフォーマンスにもかかわらず、トランスファーベースのターゲットアタックは、クローズドソースの商用LVLMに対して失敗することが多い。
本稿では,局所領域内の意味的詳細を明示的に符号化することで,意味的明瞭度を高めることを提案する。
提案手法は, GPT-4.5, 4o, o1において90%以上の成功率を達成し, 従来の攻撃方法よりも優れていた。
論文 参考訳（メタデータ） (2025-03-13T17:59:55Z) - Model Inversion Attacks Through Target-Specific Conditional Diffusion Models [54.69008212790426]
モデル反転攻撃(MIA)は、ターゲット分類器のトレーニングセットからプライベートイメージを再構築することを目的としており、それによってAIアプリケーションにおけるプライバシー上の懸念が高まる。
従来のGANベースのMIAは、GANの固有の欠陥と潜伏空間における最適化の偏りにより、劣った遺伝子的忠実度に悩まされる傾向にある。
これらの問題を緩和するために拡散モデル反転(Diff-MI)攻撃を提案する。
論文 参考訳（メタデータ） (2024-07-16T06:38:49Z) - Semantic Image Attack for Visual Model Diagnosis [80.36063332820568]
実際には、特定の列車およびテストデータセットに関する計量分析は、信頼性や公正なMLモデルを保証しない。
本稿では,セマンティック・イメージ・アタック(SIA)を提案する。
論文 参考訳（メタデータ） (2023-03-23T03:13:04Z) - Rethinking Model Ensemble in Transfer-based Adversarial Attacks [46.82830479910875]
転送可能性を改善する効果的な戦略は、モデルのアンサンブルを攻撃することである。
これまでの作業は、単に異なるモデルの出力を平均化するだけであった。
我々は、より移動可能な敵の例を生成するために、CWA(Common Weakness Attack)を提案する。
論文 参考訳（メタデータ） (2023-03-16T06:37:16Z) - Improving Adversarial Robustness to Sensitivity and Invariance Attacks
with Deep Metric Learning [80.21709045433096]
対向ロバスト性の標準的な方法は、サンプルを最小に摂動させることによって作られたサンプルに対して防御する枠組みを仮定する。
距離学習を用いて、最適輸送問題として逆正則化をフレーム化する。
予備的な結果から, 変分摂動の規則化は, 変分防御と敏感防御の両方を改善することが示唆された。
論文 参考訳（メタデータ） (2022-11-04T13:54:02Z) - Discriminator-Free Generative Adversarial Attack [87.71852388383242]
生成的ベースの敵攻撃は、この制限を取り除くことができる。
ASymmetric Saliency-based Auto-Encoder (SSAE) は摂動を生成する。
SSAEが生成した敵の例は、広く使われているモデルを崩壊させるだけでなく、優れた視覚的品質を実現する。
論文 参考訳（メタデータ） (2021-07-20T01:55:21Z) - CAMERAS: Enhanced Resolution And Sanity preserving Class Activation
Mapping for image saliency [61.40511574314069]
バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。
CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
論文 参考訳（メタデータ） (2021-06-20T08:20:56Z) - AdvHaze: Adversarial Haze Attack [19.744435173861785]
現実世界の風景に共通する現象であるヘイズに基づく新たな敵対攻撃法を紹介します。
本手法は, 大気散乱モデルに基づく画像に, 高い現実性で, 潜在的に逆転するハゼを合成することができる。
提案手法は,高い成功率を達成し,ベースラインと異なる分類モデル間での転送性が向上することを示す。
論文 参考訳（メタデータ） (2021-04-28T09:52:25Z) - Temporal Sparse Adversarial Attack on Sequence-based Gait Recognition [56.844587127848854]
このような攻撃に対して,最先端の歩行認識モデルが脆弱であることを示す。
生成した対向ネットワークに基づくアーキテクチャを用いて、対向的な高品質な歩行シルエットやビデオフレームを意味的に生成する。
実験結果から, フレームの1分の1しか攻撃されない場合, 対象モデルの精度は劇的に低下することがわかった。
論文 参考訳（メタデータ） (2020-02-22T10:08:42Z)
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。