論文の概要: Explainability-Aware Frustum Attack: Exposing Structural Vulnerabilities in LiDAR-Based 3D Object Detectors

• arxiv url: http://arxiv.org/abs/2606.29963v2
• Date: Wed, 01 Jul 2026 02:16:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 15:15:53.065665
• Title: Explainability-Aware Frustum Attack: Exposing Structural Vulnerabilities in LiDAR-Based 3D Object Detectors
• Title（参考訳）: 説明可能性を考慮したフラストラム攻撃:LiDARを用いた3次元物体検出装置の構造的脆弱性の抽出
• Abstract要約: Saliency-LiDAR法は,LiDARをベースとした3Dオブジェクト検出器のための普遍的なサリエンシマップを生成する。 我々は、対象領域全体を均一に攻撃するのではなく、最も影響力のあるフラストラムのみを選択的に摂動させる、説明可能性を考慮したフラストラム攻撃(EFA)を設計する。 EFAは検出リコールを15ポイント以上削減し、最先端の非安全基準よりも25～50%少ないフラストラムを必要とする。
• 参考スコア（独自算出の注目度）: 5.47472857635307
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The structural vulnerabilities of point cloud-based 3D object detectors remain poorly understood. Prior work has studied adversarial robustness primarily on isolated 3D object models, while recent LiDAR spoofing attacks target richer and more realistic driving scenes but focus mainly on physical realizability rather than understanding detector behavior or attack efficiency. In this work, we investigate how LiDAR-based detectors rely on spatial evidence in complex scenes and whether these reliance patterns can be exploited to induce failures more efficiently. To this end, we propose an explainability-guided adversarial analysis methodology. We introduce the Saliency-LiDAR (SALL) method, which aggregates Integrated Gradient attributions across scenes to produce universal saliency maps for LiDAR-based 3D object detectors. Guided by these maps, we design the Explainability-aware Frustum Attack (EFA), which selectively perturbs only the most influential frustums rather than uniformly attacking entire object regions. Experiments on KITTI and nuScenes, across detectors such as PointPillars and SECOND, show that EFA reduces detection recall by more than 15 percentage points while requiring 25-50% fewer perturbed frustums than the state-of-the-art non-saliency-aware baseline. These findings reveal that modern 3D detectors concentrate discriminative evidence in a small subset of spatial regions, exposing a structural robustness vulnerability in current LiDAR perception systems. Our code is released at https://github.com/SecMindLab/Saliency_LiDAR.
• Abstract（参考訳）: 点雲に基づく3次元物体検出器の構造的脆弱性はいまだに理解されていない。 従来の研究は、主に孤立した3Dオブジェクトモデルで敵の堅牢性を研究する一方で、最近のLiDARのスプーフィング攻撃は、よりリッチで現実的な運転シーンをターゲットにしているが、検出器の振る舞いや攻撃効率を理解することよりも、主に物理的実現性に焦点を当てている。 本研究では,LiDARをベースとした検出器が複雑な場面における空間的証拠にどのように依存しているか,また,これらの依存パターンを利用してより効率的に故障を誘発する方法について検討する。 そこで本研究では,説明可能性に基づく逆解析手法を提案する。 本稿では,LiDARをベースとした3Dオブジェクト検出器のための汎用なサリエンシマップを作成するために,シーン間の統合的なグラディエント属性を集約するSALL法を提案する。 これらのマップによって導かれたEFA(Explainability-aware Frustum Attack)は、対象領域全体を均一に攻撃するのではなく、最も影響力のあるフラストムのみを選択的に摂動させる。 KITTI と nuScenes の実験では、PointPillars や SECOND などの検出器間で、EFA は検出リコールを15パーセント以上削減し、最先端の非セイリエンシーベースラインよりも25～50%少ない摂動フラストラムを必要とすることを示した。 これらの結果から、現代の3D検出器は空間領域の小さなサブセットに識別的証拠を集中させ、現在のLiDAR認識システムにおける構造的ロバスト性脆弱性を明らかにすることが明らかとなった。 私たちのコードはhttps://github.com/SecMindLab/Saliency_LiDARでリリースされています。

関連論文リスト

• GhostPoint: Self-Supervised Representation Learning by Hallucinating Occluded LiDAR Structure [58.617405464262646]
  LiDARポイントクラウドからの3Dオブジェクト検出は、自動運転における中核的な問題である。 自己教師付き学習(SSL)の最近の進歩は、スケーラブルな事前トレーニングとポイント単位のタスクへの転送を可能にしている。 我々は最近のSSL手法を解析し、ほとんどの目的が可視表面からのLiDAR戻り値にのみ定義されていることを発見した。 GhostPointはSSLフレームワークで、検出されたインスタンスの周辺で、潜伏する機能を幻覚させる。
  論文  参考訳（メタデータ） (2026-08-14T16:10:35Z)
• Comprehensive Robustness Analysis of LiDAR-based 3D Object Detection in Autonomous Driving [10.67458307610481]
  LiDARのみの3Dオブジェクト検出の最近の進歩は、ベンチマークデータセットよりも検出精度が改善されている。 LiDARのみの3次元物体検出のための敵対的堅牢性の研究はほとんどない。 本稿では,2つの構造因子と3つの予測因子を用いて,対向的ロバスト性を評価する枠組みを提案する。
  論文  参考訳（メタデータ） (2026-07-02T12:13:49Z)
• OBJVanish: Physically Realizable Text-to-3D Adv. Generation of LiDAR-Invisible Objects [27.16863296560931]
  我々は,LiDAR検出器に真に見えない物体の3次元モデルを生成するために,テキスト・ツー・3次元対向生成法を提案する。 CARLAシミュレーションと物理的環境の両方において、6つの最先端(SOTA)LiDAR検出器を回避できる3D歩行者を生成することができることを示す。
  論文  参考訳（メタデータ） (2025-10-08T12:35:35Z)
• Revisiting Out-of-Distribution Detection in LiDAR-based 3D Object Detection [12.633311483061647]
  アウト・オブ・ディストリビューション(OOD)オブジェクトは誤分類を引き起こし、自動車両の安全性と信頼性に重大なリスクをもたらす。 我々は、ポイントクラウドを変更することなく既存のデータセットを使用できる新しい評価プロトコルを提案する。 提案手法の有効性は,新たに提案したnuScenes OODベンチマークを用いて検証した。
  論文  参考訳（メタデータ） (2024-04-24T13:48:38Z)
• ADoPT: LiDAR Spoofing Attack Detection Based on Point-Level Temporal Consistency [11.160041268858773]
  ディープニューラルネットワーク(DNN)は、自動運転車(AV)のためのLiDARベースの知覚システムにますます統合されている 我々は,攻撃者がLiDARデータに偽のオブジェクトを注入し,その環境を誤解釈して誤った判断を下すという,LiDAR偽造攻撃の課題に対処することを目指している。 ADoPT (Anomaly Detection based on Point-level Temporal consistency) は、連続するフレーム間の時間的一貫性を定量的に測定し、ポイントクラスタのコヒーレンシーに基づいて異常物体を同定する。 nuScenesデータセットを用いた評価では、アルゴリズムは様々なLiDARスプーフィング攻撃に対して効果的に対応し、低(低)を実現している。
  論文  参考訳（メタデータ） (2023-10-23T02:31:31Z)
• A Comprehensive Study of the Robustness for LiDAR-based 3D Object Detectors against Adversarial Attacks [84.10546708708554]
  3Dオブジェクト検出器は、セキュリティクリティカルなタスクにおいてますます重要になっている。 敵の攻撃に対する強固さを理解することが不可欠である。 本稿では,LiDARをベースとした3次元検出器の対角攻撃時のロバスト性評価と解析を行った。
  論文  参考訳（メタデータ） (2022-12-20T13:09:58Z)
• GLENet: Boosting 3D Object Detectors with Generative Label Uncertainty Estimation [70.75100533512021]
  本稿では,対象物の潜在的可算有界箱の多様性として,ラベルの不確実性問題を定式化する。 本稿では,条件付き変分オートエンコーダを応用した生成フレームワークであるGLENetを提案する。 GLENetが生成するラベルの不確実性はプラグアンドプレイモジュールであり、既存のディープ3D検出器に便利に統合することができる。
  論文  参考訳（メタデータ） (2022-07-06T06:26:17Z)
• Delving into Localization Errors for Monocular 3D Object Detection [85.77319416168362]
  単眼画像から3Dバウンディングボックスを推定することは、自動運転に不可欠な要素です。 本研究では, 各サブタスクがもたらす影響を定量化し, 局所化誤差を求めることが, モノクロ3次元検出の抑制に欠かせない要因である。
  論文  参考訳（メタデータ） (2021-03-30T10:38:01Z)
• Unsupervised Object Detection with LiDAR Clues [70.73881791310495]
  本稿では,LiDARの手がかりを用いた非教師対象検出のための最初の実用的手法を提案する。 提案手法では,まず3次元点雲に基づく候補オブジェクトセグメントを生成する。 そして、セグメントラベルを割り当て、セグメントラベルネットワークを訓練する反復的なセグメントラベル処理を行う。 ラベル付けプロセスは、長い尾とオープンエンドの分布の問題を軽減するために慎重に設計されている。
  論文  参考訳（メタデータ） (2020-11-25T18:59:54Z)
• Physically Realizable Adversarial Examples for LiDAR Object Detection [72.0017682322147]
  本稿では,LiDAR検出器を騙すために,汎用な3次元対向物体を生成する手法を提案する。 特に,LiDAR検出器から車両を完全に隠蔽するために,車両の屋根上に対向物体を配置し,その成功率は80%であることを示した。 これは、限られたトレーニングデータから見知らぬ条件下での、より安全な自動運転への一歩だ。
  論文  参考訳（メタデータ） (2020-04-01T16:11:04Z)
• SESS: Self-Ensembling Semi-Supervised 3D Object Detection [138.80825169240302]
  具体的には、ラベルのない新しい未知のデータに基づくネットワークの一般化を促進するための、徹底的な摂動スキームを設計する。 我々のSESSは、50%のラベル付きデータを用いて、最先端の完全教師付き手法と比較して、競争性能を達成している。
  論文  参考訳（メタデータ） (2019-12-26T08:48:04Z)

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。