Fugu-MT 論文翻訳(概要): Budget-Aware Adaptive Adversarial Patches for Black-Box Object Detection

論文の概要: Budget-Aware Adaptive Adversarial Patches for Black-Box Object Detection

arxiv url: http://arxiv.org/abs/2606.18318v1
Date: Tue, 16 Jun 2026 13:38:15 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-18 17:16:50.82036
Title: Budget-Aware Adaptive Adversarial Patches for Black-Box Object Detection
Title（参考訳）: ブラックボックスオブジェクト検出のための予算対応適応型逆パッチ
Authors: Pedram MohajerAnsari, Amir Salarpour, David Fernandez, Mert D. Pesé,
Abstract要約: 我々は、NESスタイルのピクセル更新と軽量なプレーサーを結合したクエリ効率、予算適応型ブラックボックスアタックを提案する。 YOLOv5、Faster R-CNN、YOLOSはCNNベースの検出器を強く抑制し、トランスベースの検出器を著しく抑制する。
参考スコア（独自算出の注目度）: 1.8641315013048299
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Adversarial patches pose a practical threat to modern object detectors. Prior work shows vulnerability, but three gaps limit actionable insight: (i) few \emph{score-based black-box} attacks \emph{jointly} optimize patch \emph{location, texture, and size} under tight query budgets; (ii) success is rarely tied to the patch's \emph{visual footprint}; and (iii) evaluations often conflate EOT robustness with plain-view suppression. We present \method{}, a query-efficient, budget-adaptive black-box attack that couples a lightweight \emph{Contextual Thompson-Sampling} placer with NES-style pixel updates, growing the patch only when progress stalls. Reporting is anchored by a \emph{strict plain-image} suppression test; EOT is audited but never used as a substitute for success, and optional appearance/printability weights expose strength--visibility trade-offs. Across YOLOv5, Faster R-CNN, and YOLOS, \method{} achieves strong suppression on CNN-based detectors and substantial suppression on the transformer-based detector, using compact patches and exposing clear query--footprint trade-offs relative to fixed-size and heuristic baselines. A print--capture pilot further shows transfer across unseen physical objects and viewpoints.
Abstract（参考訳）: 敵のパッチは、現代の物体検出器に現実的な脅威をもたらす。以前の作業は脆弱性を示すが、3つのギャップは実行可能な洞察を制限する。 (i)厳格なクエリ予算の下で、emph{score-based black-box}アタック \emph{jointly} パッチ \emph{location, texture, size} を最適化する、数少ない \emph{score-based black-box}アタック。 (ii)成功はパッチの \emph{visual footprint} に結びつくことはめったにない。 (iii)評価は、EOTの堅牢性とプレーンビューの抑制を両立させることが多い。我々は,軽量な \emph{Contextual Thompson-Sampling} プレーザーとNES スタイルのピクセル更新を結合した,クエリ効率のよい予算適応型ブラックボックス攻撃である \method{} を提示する。報告は \emph{strict plain-image} 抑制テストによって固定される; EOT は監査されるが、成功の代替として使用されることはなく、オプションの外観/印刷性重みは強度-可視性トレードオフを露呈する。 YOLOv5, Faster R-CNN, YOLOS, \method{} 全体では、CNNベースの検出器を強く抑制し、変換器ベースの検出器を著しく抑制し、コンパクトパッチを使用し、固定サイズおよびヒューリスティックベースラインに対して明確なクエリ-フットプリントトレードオフを露呈する。プリントキャプチャーパイロットは、見えない物理的オブジェクトと視点をまたぐ転送を表示する。

関連論文リスト

Localization then Neutralization: Gradient-guided Token Suppression against Visual Prompt Injection Attack [78.02110947708535]
敵対的なイメージは、プロンプトインジェクションを通じて、マルチモーダルな大規模言語モデルに深刻なセキュリティ上の脅威をもたらす。敵の攻撃を成功させるには、画像全体を一様に依存するのではなく、重要な画像トークンの小さなサブセットに依存していることを示す。本稿では,これらのトークンを勾配解析により局所化し,マスキングにより中和するグラディエントトークンマスキング(GTM)を提案する。
論文参考訳（メタデータ） (2026-05-24T17:51:34Z)
Evading Visual Aphasia: Contrastive Adaptive Semantic Token Pruning for Vision-Language Models [52.78477729846771]
本稿では,COAST(Contrastive Adaptive Semantic Token Pruning)について紹介する。 COASTはトークン予算をまたいだ強力なプルーニングベースラインを一貫して上回り、複数のLVLMファミリをまたいだ一般化を実現している。
論文参考訳（メタデータ） (2026-05-10T09:07:04Z)
Revisiting Token Compression for Accelerating ViT-based Sparse Multi-View 3D Object Detectors [18.684602624559734]
SEPatch3Dは、粗いパッチ内の意味情報を保存しながら、パッチサイズを動的に調整する新しいフレームワークである。 nuScenesとArgoverse 2バリデーションセットの実験では、SEPatch3DはStreamPETRベースラインよりも最大57%高速な推論を実現し、最先端のToC3Dよりも20パーセント高速である。
論文参考訳（メタデータ） (2026-04-16T02:46:53Z)
PatchBlock: A Lightweight Defense Against Adversarial Patches for Embedded EdgeAI Devices [5.082257334702858]
アドリアックは、EdgeAIアプリケーションにマシンラーニングモデルを確実にデプロイする上で、大きな課題となる。画像中の逆パッチを検出し中和するフレームワークであるPatchBlockを提案する。 PatchBlockは頑丈さを継続的に改善し、強力なパッチアタックのモデル精度の77%を回復することを示す。
論文参考訳（メタデータ） (2026-01-01T15:04:16Z)
When Robots Obey the Patch: Universal Transferable Patch Attacks on Vision-Language-Action Models [81.7618160628979]
VLA(Vision-Language-Action)モデルは敵の攻撃に弱いが、普遍的かつ移動可能な攻撃は未発見のままである。 UPA-RFAS(Universal Patch Attack via Robust Feature, Attention, and Semantics)は、単一の物理的パッチを共有機能空間で学習する統合フレームワークである。多様なVLAモデル、操作スイート、物理実行の実験は、UPA-RFASがモデル、タスク、視点を一貫して移行していることを示している。
論文参考訳（メタデータ） (2025-11-26T09:16:32Z)
Pixel-Optimization-Free Patch Attack on Stereo Depth Estimation [37.97727884936262]
画素最適化攻撃を4つのステレオマッチングステージに拡張する統合フレームワークを構築した。我々は,最初のピクセル最適化フリー攻撃であるPatchHunterを提案する。 KITTIでは、PatchHunterは、有効性とブラックボックス転送性の両方においてピクセルレベルの攻撃より優れている。
論文参考訳（メタデータ） (2025-06-21T08:23:02Z)
BankTweak: Adversarial Attack against Multi-Object Trackers by Manipulating Feature Banks [2.8931452761678345]
我々は、マルチオブジェクトトラッキング(MOT)トラッカー用に設計された新しい敵攻撃であるtextsfBankTweakを提示する。本手法は,既存の攻撃をはるかに上回り,トラッキング・バイ・ディテクト・フレームワークの脆弱性を露呈する。
論文参考訳（メタデータ） (2024-08-22T20:35:46Z)
Improving Adversarial Robustness of Masked Autoencoders via Test-time Frequency-domain Prompting [133.55037976429088]
BERTプリトレーニング(BEiT, MAE)を備えた視覚変換器の対向ロバスト性について検討する。意外な観察は、MAEが他のBERT事前訓練法よりも敵の頑健さが著しく悪いことである。我々は,MAEの対角的堅牢性を高めるための,シンプルで効果的な方法を提案する。
論文参考訳（メタデータ） (2023-08-20T16:27:17Z)
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)
Segment and Complete: Defending Object Detectors against Adversarial Patch Attacks with Robust Patch Detection [142.24869736769432]
敵のパッチ攻撃は最先端の物体検出器に深刻な脅威をもたらす。パッチ攻撃に対して物体検出器を防御するフレームワークであるSegment and Complete Defense (SAC)を提案する。 SACは、物理的パッチ攻撃の標的攻撃成功率を著しく低減できることを示す。
論文参考訳（メタデータ） (2021-12-08T19:18:48Z)
Generating Adversarial yet Inconspicuous Patches with a Single Image [15.217367754000913]
そこで本研究では, 対角的かつ不明瞭なパッチを単一画像で生成する手法を提案する。提案手法では,複数スケールのジェネレータと識別器を用いて,逆パッチを粗大な方法で生成する。我々のap-proachは、ホワイトボックスとブラックボックスの両方で強力な攻撃能力を示している。
論文参考訳（メタデータ） (2020-09-21T11:56:01Z)

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。