論文の概要: Digital-to-Physical Transfer of Adversarial Patches for Aerial Vehicle Detection
- arxiv url: http://arxiv.org/abs/2606.00159v1
- Date: Fri, 29 May 2026 07:52:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:28.078238
- Title: Digital-to-Physical Transfer of Adversarial Patches for Aerial Vehicle Detection
- Title（参考訳）: 航空車両検出のための逆行性パッチのデジタル・物理移動
- Abstract要約: 対応するパッチは、最大オブジェクト性スコアを最小限に抑える損失関数を使用して、デジタルドメインで最適化される。
YOLOv3検出器を用いた実験では、OFFパッチはデジタル領域で最も有効であるが、ONパッチは物理的環境において優れた堅牢性を示す。
- 参考スコア（独自算出の注目度）: 0.3867363075280543
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep neural network (DNN)-based object detectors are widely used for analyzing aerial and satellite imagery in applications such as environmental monitoring and urban analytics. Despite their strong performance, these models are known to be vulnerable to adversarial examples, and physical adversarial attacks using printable patterns pose realistic security threats. In this paper, we evaluate physical adversarial patch attacks against an aerial vehicle detector by bridging digital optimization and real-world deployment. Adversarial patches are optimized in the digital domain using a loss function that minimizes the maximum objectness score while incorporating non-printability score (NPS) and total variation (TV) constraints to ensure both printability and spatial smoothness. The optimized patches are printed and deployed in three configurations: ON, OFF, and OFF-Side. Experiments using a YOLOv3 detector show that while the OFF patch achieves the highest effectiveness in the digital domain (85.51% Average Objectness Reduction Rate (AORR)), the ON patch demonstrates superior robustness in physical environments (0.197-0.343 Objectness Score Ratio (OSR)) due to its consistent visibility. Furthermore, our results indicate that weather-based augmentation does not necessarily improve patch optimization in this domain. These findings provide critical insights into the practical vulnerabilities of aerial object detection systems.
- Abstract（参考訳）: ディープニューラルネットワーク(DNN)ベースの物体検出器は、環境モニタリングや都市分析などの応用において、航空画像や衛星画像の分析に広く用いられている。
強い性能にもかかわらず、これらのモデルは敵の例に弱いことが知られており、印刷可能なパターンを用いた物理的敵攻撃は現実的なセキュリティ脅威を引き起こす。
本稿では,デジタル最適化と実世界の展開を橋渡しすることで,航空機検知器に対する物理的対向パッチ攻撃を評価する。
非印刷性スコア(NPS)と総変動性(TV)の制約を取り入れつつ、最大オブジェクト性スコアを最小化するロス関数を用いて、デジタルドメインにおいて、逆パッチを最適化し、印刷性と空間的滑らか性の両方を保証する。
最適化されたパッチは、ON、OF、OF-Sideの3つの構成で印刷され、デプロイされる。
YOLOv3検出器を用いた実験では、OFパッチはデジタル領域で最も有効である(平均オブジェクトネス低減率85.51%)のに対し、ONパッチはその一貫した可視性のため物理的環境(0.197-0.343オブジェクトネススコア比(OSR))において優れた堅牢性を示す。
さらに, この領域では, 天候による拡張がパッチの最適化を必ずしも改善しないことが示唆された。
これらの発見は、空中物体検出システムの実用的脆弱性に関する重要な洞察を与える。
関連論文リスト
- Transferable Physical-World Adversarial Patches Against Object Detection in Autonomous Driving [26.52089431845835]
本稿では、自律運転における物体検出に対するトランスファーベースの物理的攻撃であるAdvADを提案する。
特定の検出器をターゲットにするのではなく、AdvADは統一されたフレームワークで複数の検出モデルにまたがる敵パッチを最適化する。
デジタルおよび実世界の両方の環境での実験では、AdvADはパフォーマンスと転送性において、常に最先端(SOTA)攻撃を上回っている。
論文 参考訳（メタデータ） (2026-04-25T02:00:01Z) - Beyond the Patch: Exploring Vulnerabilities of Visuomotor Policies via Viewpoint-Consistent 3D Adversarial Object [26.15314358613966]
本研究は,3次元オブジェクトに対する視点整合型テクスチャ最適化手法を提案する。
最適化戦略として、我々はC2F(Coarse-to-Fine)カリキュラムによる変換への期待(EOT)を採用している。
さらに、サリエンシ誘導による摂動を統合して、政策の注意をリダイレクトし、ロボットを敵の物体に向けて継続的に駆動する目標損失を設計する。
論文 参考訳（メタデータ） (2026-03-05T07:57:47Z) - Adversarial Attention Perturbations for Large Object Detection Transformers [6.845910470068847]
敵対的摂動は、ニューラルネットワークの脆弱性を露呈するための有用なツールである。
本稿では,物体検出変換器に対するAFOG攻撃について述べる。
論文 参考訳（メタデータ） (2025-08-05T01:31:10Z) - 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) - Enhancing Object Detection Robustness: Detecting and Restoring Confidence in the Presence of Adversarial Patch Attacks [2.963101656293054]
敵パッチに対するYOLOv5モデルの防御機構について検討した。
我々はSegment and Complete (SAC)、Inpainting、Latent Diffusion Modelsを含むいくつかの防衛実験を行った。
その結果, 対向パッチは平均検出信頼度を22.06%低下させることがわかった。
論文 参考訳（メタデータ） (2024-03-04T13:32:48Z) - Benchmarking Adversarial Patch Against Aerial Detection [11.591143898488312]
適応パッチに基づく新しい物理攻撃(AP-PA)フレームワークを提案する。
AP-PAは、物理力学と様々なスケールに適応する逆パッチを生成する。
航空探知作業における敵パッチの攻撃効果を評価するため, 包括的, 一貫性, 厳密なベンチマークを最初に確立した。
論文 参考訳（メタデータ） (2022-10-30T07:55:59Z) - Defending From Physically-Realizable Adversarial Attacks Through
Internal Over-Activation Analysis [61.68061613161187]
Z-Maskは、敵の攻撃に対する畳み込みネットワークの堅牢性を改善するための堅牢で効果的な戦略である。
提示されたディフェンスは、入力画像中の対向対象に対応する画素を検出し、隠蔽するために、内部ネットワーク機能で実行される特定のZスコア解析に依存する。
追加の実験では、Z-Maskは防衛対応攻撃に対して堅牢であることが示された。
論文 参考訳（メタデータ） (2022-03-14T17:41:46Z) - On the Robustness of Quality Measures for GANs [136.18799984346248]
本研究は、インセプションスコア(IS)やFr'echet Inception Distance(FID)のような生成モデルの品質測定の堅牢性を評価する。
このような測度は、加算画素摂動によっても操作可能であることを示す。
論文 参考訳（メタデータ） (2022-01-31T06:43:09Z) - 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) - Evaluating the Robustness of Semantic Segmentation for Autonomous
Driving against Real-World Adversarial Patch Attacks [62.87459235819762]
自動運転車のような現実のシナリオでは、現実の敵例(RWAE)にもっと注意を払わなければならない。
本稿では,デジタルおよび実世界の敵対パッチの効果を検証し,一般的なSSモデルのロバスト性を詳細に評価する。
論文 参考訳（メタデータ） (2021-08-13T11:49:09Z) - 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)
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。