論文の概要: A Unified Spatial Alignment Framework for Highly Transferable Transformation-Based Attacks on Spatially Structured Tasks
- arxiv url: http://arxiv.org/abs/2603.25230v1
- Date: Thu, 26 Mar 2026 09:31:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-27 20:52:48.217659
- Title: A Unified Spatial Alignment Framework for Highly Transferable Transformation-Based Attacks on Spatially Structured Tasks
- Title（参考訳）: 高伝達性変換に基づく空間的アライメントの統一化
- Authors: Jiaming Liang, Chi-Man Pun,
- Abstract要約: 我々は、高度に伝達可能な変換型対向攻撃(TAA)のための新しい統合空間アライメントフレームワーク(SAF)を提案する。
標的外攻撃では,都市景観の平均mIoUは24.50から11.34に,Kvasir-SEGは49.91から31.80に低下し,COCOの平均mAPは17.89から5.25に低下した。
- 参考スコア（独自算出の注目度）: 34.002154410494285
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Transformation-based adversarial attacks (TAAs) demonstrate strong transferability when deceiving classification models. However, existing TAAs often perform unsatisfactorily or even fail when applied to structured tasks such as semantic segmentation and object detection. Encouragingly, recent studies that categorize transformations into non-spatial and spatial transformations inspire us to address this challenge. We find that for non-structured tasks, labels are spatially non-structured, and thus TAAs are not required to adjust labels when applying spatial transformations. In contrast, for structured tasks, labels are spatially structured, and failing to transform labels synchronously with inputs can cause spatial misalignment and yield erroneous gradients. To address these issues, we propose a novel unified Spatial Alignment Framework (SAF) for highly transferable TAAs on spatially structured tasks, where the TAAs spatially transform labels synchronously with the input using the proposed Spatial Alignment (SA) algorithm. Extensive experiments demonstrate the crucial role of our SAF for TAAs on structured tasks. Specifically, in non-targeted attacks, our SAF degrades the average mIoU on Cityscapes from 24.50 to 11.34, and on Kvasir-SEG from 49.91 to 31.80, while reducing the average mAP of COCO from 17.89 to 5.25.
- Abstract（参考訳）: 変換に基づく敵攻撃 (TAA) は、分類モデルを決定する際に強い伝達性を示す。
しかし、既存のTAAは、セマンティックセグメンテーションやオブジェクト検出といった構造化されたタスクに適用した場合、不満足に、あるいは失敗することが多い。
最近、非空間的変換と空間的変換に分類する研究が、この問題に対処するきっかけとなった。
非構造化タスクの場合、ラベルは空間的に非構造化されているため、TAAは空間変換を適用する際にラベルを調整する必要がない。
対照的に、構造化されたタスクの場合、ラベルは空間的に構造化され、入力と同期的にラベルを変換できないと、空間的不整合が生じ、誤った勾配が生じる。
これらの課題に対処するために,空間アライメント(SA)アルゴリズムを用いて,空間的アライメント(SA)アルゴリズムを用いてラベルを同期的に空間的に変換する空間アライメント・フレームワーク(SAF)を提案する。
大規模実験は、構造化タスクにおけるSAFのTAAに対する重要な役割を実証する。
特に、標的外攻撃では、SAFは都市景観における平均mIoUを24.50から11.34に、Kvasir-SEGを49.91から31.80に、COCOの平均mAPを17.89から5.25に下げる。
関連論文リスト
- Forest-Guided Semantic Transport for Label-Supervised Manifold Alignment [12.374726282828561]
FoSTAはラベルインフォームド・フォレスト親和性から直接セマンティック表現を構築し、高速で階層的なセマンティックトランスポートを通じてそれらを調整する。
FoSTAは、バッチ修正や生物保護など、実用的な単一セルアプリケーションで強力なパフォーマンスを提供する。
論文 参考訳（メタデータ） (2026-02-01T02:32:09Z) - Rethinking Transferable Adversarial Attacks on Point Clouds from a Compact Subspace Perspective [55.919842734983156]
CoSAは、共有された低次元セマンティック空間内で機能する転送可能なアタックフレームワークである。
CoSAは、最先端のトランスファー可能な攻撃を一貫して上回っている。
論文 参考訳（メタデータ） (2026-01-30T15:48:11Z) - One Swallow Does Not Make a Summer: Understanding Semantic Structures in Embedding Spaces [17.173074024116477]
埋め込み空間は現代のAIの基本であり、生データをリッチなセマンティックな関係を符号化する高次元ベクトルに変換する。
埋め込み空間内の局所的な意味的近傍をキャプチャする幾何学保存・文脈認識表現であるSemantic Field Subspace (SFS)を導入する。
また,セマンティックシフト(Semantic Shift)と呼ばれる新しい計量を用いて階層的意味構造を明らかにする,教師なし・モダリティに依存しないアルゴリズムであるSAFARIを提案する。
論文 参考訳（メタデータ） (2025-11-30T11:48:00Z) - TopoReformer: Mitigating Adversarial Attacks Using Topological Purification in OCR Models [2.8272661103123258]
テキストの逆摂動画像は、OCRシステムが人間の目に見えない変化から誤った書き起こしや誤った書き起こしを発生させる可能性がある。
既存の防御、例えば、敵の訓練、入力前処理、あるいは認識後の補正は、しばしばモデル固有であり、計算的に高価であり、摂動しない入力のパフォーマンスに影響する。
TopoReformerは、テキストイメージの構造的整合性を保ちながら、敵対的摂動を緩和するモデルに依存しない改革パイプラインである。
論文 参考訳（メタデータ） (2025-11-19T19:01:51Z) - GAMA++: Disentangled Geometric Alignment with Adaptive Contrastive Perturbation for Reliable Domain Transfer [0.0]
GAMA++ は (i) ラベルに一貫性のある多様体方向をニュアンス因子から分離するための潜在空間歪みを導入し、 (ii) クラス固有の多様体曲率とアライメントの差分を、オン・アンド・オフ・マニフォールド探索の両方を調整する適応的コントラスト摂動戦略を導入する新しいフレームワークである。
本手法は,標準設定と数ショット設定の両方でDomainNet,Office-Home,VisDAベンチマークの最先端結果を実現し,クラスレベルのアライメント忠実度とバウンダリロバスト性に顕著な改善を加えた。
論文 参考訳（メタデータ） (2025-05-21T08:16:35Z) - Imbalanced Open Set Domain Adaptation via Moving-threshold Estimation
and Gradual Alignment [58.56087979262192]
Open Set Domain Adaptation (OSDA) は、よくラベルされたソースドメインから未ラベルのターゲットドメインに知識を転送することを目的としている。
OSDA法の性能はドメイン内クラス不均衡とドメイン間ラベルシフトで大幅に低下する。
ラベルシフトによって生じる負の効果を軽減するために,オープンセット移動閾値推定とグラデーショナルアライメント(OMEGA)を提案する。
論文 参考訳（メタデータ） (2023-03-08T05:55:02Z) - Subsidiary Prototype Alignment for Universal Domain Adaptation [58.431124236254]
Universal Domain Adaptation (UniDA)の大きな問題は、"known"クラスと"unknown"クラスの誤調整である。
ゴールタスクUniDAと協調して動作するクローズドセットSPAを実現するために,新しい単語ヒストグラム関連プレテキストタスクを提案する。
既存のUniDA技術上でのアプローチの有効性を実証し,3つの標準UniDAおよびOpen-Set DAオブジェクト認識ベンチマークの最先端性能を示す。
論文 参考訳（メタデータ） (2022-10-28T05:32:14Z) - Task-specific Inconsistency Alignment for Domain Adaptive Object
Detection [38.027790951157705]
大量のラベル付きデータでトレーニングされた検出器は、データ分散ギャップのある特定のシナリオで劇的なパフォーマンス劣化を示すことが多い。
本稿では,タスク固有の不整合アライメント(TIA)を提案する。
TIAは,従来の最先端手法よりも,様々なシナリオにおいて優れた結果を示す。
論文 参考訳（メタデータ） (2022-03-29T08:36:33Z) - HSVA: Hierarchical Semantic-Visual Adaptation for Zero-Shot Learning [74.76431541169342]
ゼロショット学習(ZSL)は、目に見えないクラス認識の問題に取り組み、目に見えないクラスから目に見えないクラスに意味的な知識を移す。
本稿では,意味領域と視覚領域を協調させる新しい階層型意味視覚適応(HSVA)フレームワークを提案する。
4つのベンチマークデータセットの実験では、HSVAは従来のZSLと一般的なZSLの両方で優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-30T14:27:50Z) - Learning Task-oriented Disentangled Representations for Unsupervised
Domain Adaptation [165.61511788237485]
Unsupervised domain adapt (UDA) は、ラベル付きソースドメインとラベルなしターゲットドメインの間のドメインシフト問題に対処することを目的としている。
UDAのための動的タスク指向の非絡合ネットワーク(DTDN)を提案し,非絡合表現をエンドツーエンドで学習する。
論文 参考訳（メタデータ） (2020-07-27T01:21:18Z)
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。