論文の概要: Transferable Physical-World Adversarial Patches Against Pedestrian Detection Models
- arxiv url: http://arxiv.org/abs/2604.22552v1
- Date: Fri, 24 Apr 2026 13:45:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-27 15:36:26.478855
- Title: Transferable Physical-World Adversarial Patches Against Pedestrian Detection Models
- Title（参考訳）: 歩行者検出モデルに対する移動可能な物理世界対応パッチ
- Authors: Shihui Yan, Ziqi Zhou, Yufei Song, Yifan Hu, Minghui Li, Shengshan Hu,
- Abstract要約: 本稿では,TriPatchと呼ばれる,多段階協調攻撃と物理的多様性下での堅牢性向上を併用した新しい歩行者対向パッチ生成手法を提案する。
さらに,パッチの色分布を制約する外観整合性損失を導入し,様々な画像条件下での適応性を向上し,複雑な物理的摂動に対する堅牢性を高めるためにデータ拡張を取り入れた。
- 参考スコア（独自算出の注目度）: 29.958268804487474
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Physical adversarial patch attacks critically threaten pedestrian detection, causing surveillance and autonomous driving systems to miss pedestrians and creating severe safety risks. Despite their effectiveness in controlled settings, existing physical attacks face two major limitations in practice: they lack systematic disruption of the multi-stage decision pipeline, enabling residual modules to offset perturbations, and they fail to model complex physical variations, leading to poor robustness. To overcome these limitations, we propose a novel pedestrian adversarial patch generation method that combines multi-stage collaborative attacks with robustness enhancement under physical diversity, called TriPatch. Specifically, we design a triplet loss consisting of detection confidence suppression, bounding-box offset amplification, and non-maximum suppression (NMS) disruption, which jointly act across different stages of the detection pipeline. In addition, we introduce an appearance consistency loss to constrain the color distribution of the patch, thereby improving its adaptability under diverse imaging conditions, and incorporate data augmentation to further enhance robustness against complex physical perturbations. Extensive experiments demonstrate that TriPatch achieves a higher attack success rate across multiple detector models compared to existing approaches.
- Abstract（参考訳）: 物理的敵パッチ攻撃は歩行者検出を危うく脅し、監視と自律運転システムが歩行者を逃がし、深刻な安全リスクを生じさせる。
コントロールされた設定の有効性にもかかわらず、既存の物理的な攻撃は、実際には2つの大きな制限に直面している。それらは、多段階決定パイプラインの体系的な破壊を欠き、残留モジュールが摂動をオフセットすることを可能にし、複雑な物理的変動をモデル化できないため、ロバスト性が低下する。
このような制約を克服するために,TriPatchと呼ばれる,多段階協調攻撃と堅牢性向上を両立させる新しい歩行者対向パッチ生成手法を提案する。
具体的には、検出信頼度抑制、バウンディングボックスオフセット増幅、非最大抑制(NMS)破壊からなる三重項損失を設計し、検出パイプラインの異なる段階で共同して作用する。
さらに,パッチの色分布を制約する外観整合性損失を導入し,様々な画像条件下での適応性を向上し,複雑な物理的摂動に対する堅牢性を高めるためにデータ拡張を取り入れた。
大規模な実験により、TriPatchは既存のアプローチと比較して、複数の検出器モデルでの攻撃成功率が高いことが実証された。
関連論文リスト
- Potent but Stealthy: Rethink Profile Pollution against Sequential Recommendation via Bi-level Constrained Reinforcement Paradigm [44.622203626828345]
対話シーケンスを通じて動的ユーザインテントを利用するシークエンシャルリコメンダは、敵攻撃に対して脆弱である。
本報告では, ユーザインタラクションを微妙に汚染し, ターゲットの誤予測を誘発するプロファイル汚染攻撃について述べる。
本稿では,2段階の最適化フレームワークを多方向強化学習と相乗化して,対向効果とステルスネスのバランスをとる制約付き強化駆動攻撃 CREAT を提案する。
論文 参考訳（メタデータ） (2025-11-12T15:00:52Z) - AdvChain: Adversarial Chain-of-Thought Tuning for Robust Safety Alignment of Large Reasoning Models [62.70575022567081]
本稿では,逆CoTチューニングによる動的自己補正をモデルに教えるアライメントパラダイムであるAdvChainを提案する。
私たちの仕事は、より堅牢で信頼性の高い推論モデルを構築するための新しい方向性を確立します。
論文 参考訳（メタデータ） (2025-09-29T04:27:23Z) - Robustifying 3D Perception via Least-Squares Graphs for Multi-Agent Object Tracking [43.11267507022928]
本稿では,3次元LiDARシーンにおける対向雑音に対する新たな緩和フレームワークを提案する。
我々は最小二乗グラフツールを用いて各検出の遠心点の位置誤差を低減する。
実世界のV2V4Realデータセットに関する広範な評価研究は、提案手法がシングルエージェントとマルチエージェントの両方のトラッキングフレームワークよりも大幅に優れていることを示す。
論文 参考訳（メタデータ） (2025-07-07T08:41:08Z) - Multi-granular Adversarial Attacks against Black-box Neural Ranking Models [111.58315434849047]
多粒性摂動を取り入れた高品質な逆数例を作成する。
我々は,多粒体攻撃を逐次的意思決定プロセスに変換する。
本手法は,攻撃の有効性と非受容性の両方において,一般的なベースラインを超えている。
論文 参考訳（メタデータ） (2024-04-02T02:08:29Z) - 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) - Exploring Adversarial Robustness of Multi-Sensor Perception Systems in
Self Driving [87.3492357041748]
本稿では,敵物体をホスト車両の上に配置することで,マルチセンサ検出の実用的感受性を示す。
実験の結果, 攻撃が成功した原因は主に画像の特徴が損なわれやすいことが判明した。
よりロバストなマルチモーダル知覚システムに向けて,特徴分断を伴う敵対的訓練が,このような攻撃に対するロバスト性を大幅に高めることを示す。
論文 参考訳（メタデータ） (2021-01-17T21:15:34Z) - Learning to Generate Noise for Multi-Attack Robustness [126.23656251512762]
対人学習は、対人摂動に対する既存の方法の感受性を回避できる手法の1つとして登場した。
安全クリティカルなアプリケーションでは、攻撃者は様々な敵を採用してシステムを騙すことができるため、これらの手法は極端に便利である。
本稿では,複数種類の攻撃に対するモデルの堅牢性を改善するために,ノイズ発生を明示的に学習するメタラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-22T10:44:05Z)
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。