論文の概要: Comprehensive Robustness Analysis of LiDAR-based 3D Object Detection in Autonomous Driving

• arxiv url: http://arxiv.org/abs/2607.02074v1
• Date: Thu, 02 Jul 2026 12:13:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.82051
• Title: Comprehensive Robustness Analysis of LiDAR-based 3D Object Detection in Autonomous Driving
• Title（参考訳）: 自律走行におけるLiDARによる3次元物体検出の包括的ロバスト性解析
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 10.67458307610481
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advancements in LiDAR-only 3D object detection have demonstrated improved detection accuracy over benchmark datasets. However, the adversarial robustness of these models remains untested. Very few adversarial robustness studies exist for LiDAR-only 3D object detection and unfortunately, even they are limited to legacy models. Moreover, there is a systemic gap in the existing evaluation frameworks that rely simply on mAP ignoring other structural and predictive factors. To fill this gap, we propose a holistic framework that evaluates adversarial robustness using two structural factors (point cloud density and point cloud localization) and three predictive factors (misclassification, localization error, distance from ego). Using this framework, we perform an empirical study and critical analysis on recent and legacy state-of-the-art models using adversarial attacks specifically designed for LiDAR-based models. Our key finding is that high-capacity, voxel-based detectors are more susceptible to structured coordinate perturbations than pillar-based detectors. Additionally, non-anchor-based detectors demonstrate poor adversarial robustness, which necessitates rethinking model training techniques. Overall, our results demonstrate that recent models are as vulnerable to adversarial attacks as their predecessors. Therefore, we argue that there is a need to improve the evaluation benchmarks for 3D object detection that not only reward architectural modifications for improving detection accuracy, but also evaluate whether the design choices improve adversarial robustness.
• Abstract（参考訳）: 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。 しかし、これらのモデルの敵対的堅牢性はまだ証明されていない。 LiDARのみの3Dオブジェクト検出のための敵対的堅牢性の研究は極めて少ないが、残念なことに、それらはレガシーモデルに限定されている。 さらに、既存の評価フレームワークには、他の構造的および予測的要因を無視して単にmAPに依存する、体系的なギャップがある。 このギャップを埋めるために,2つの構造因子(点雲密度,点雲局在)と3つの予測因子(ミス分類,局所化誤差,エゴからの距離)を用いて,対向ロバスト性を評価する枠組みを提案する。 このフレームワークを用いて、LiDARモデルに特化して設計された敵攻撃を用いて、最近の最先端およびレガシーな最先端モデルに関する経験的研究と批判的分析を行う。 我々の重要な発見は、高容量のボクセル型検出器は柱型検出器よりも構造的座標摂動の影響を受けやすいことである。 さらに、非アンカーベース検出器は、モデルトレーニング技術の再考を必要とする、逆方向の堅牢性が悪いことを示す。 以上の結果から,近年のモデルが敵攻撃に対して脆弱であることが示唆された。 そこで,本研究では,3次元物体検出のための評価ベンチマークの改善の必要性を論じるとともに,設計選択が対向的ロバスト性を向上させるか否かを評価する。

関連論文リスト

• Explainability-Aware Frustum Attack: Exposing Structural Vulnerabilities in LiDAR-Based 3D Object Detectors [5.47472857635307]
  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。
  論文  参考訳（メタデータ） (2026-06-29T08:40:16Z)
• Rethinking Evaluation of Infrared Small Target Detection [105.59753496831739]
  本稿では,画素レベルと目標レベルのパフォーマンスを取り入れたハイブリッドレベルのメトリクスを導入し,システム的エラー解析手法を提案し,クロスデータセット評価の重要性を強調した。 標準化されたベンチマークを容易にするオープンソースツールキットがリリースされた。
  論文  参考訳（メタデータ） (2025-09-21T02:45:07Z)
• It Only Gets Worse: Revisiting DL-Based Vulnerability Detectors from a Practical Perspective [14.271145160443462]
  VulTegraは、脆弱性検出のためのスクラッチトレーニングされたDLモデルと事前トレーニングされたDLモデルを比較する。 最先端のSOTA(State-of-the-art)検出器は、依然として低い一貫性、限られた現実世界能力、スケーラビリティの課題に悩まされている。
  論文  参考訳（メタデータ） (2025-07-13T08:02:56Z)
• RoHOI: Robustness Benchmark for Human-Object Interaction Detection [84.78366452133514]
  ヒューマン・オブジェクト・インタラクション(HOI)検出は、コンテキスト認識支援を可能にするロボット・ヒューマン・アシストに不可欠である。 HOI検出のための最初のベンチマークを導入し、様々な課題下でモデルのレジリエンスを評価する。 我々のベンチマークであるRoHOIは、HICO-DETとV-COCOデータセットに基づく20の汚職タイプと、新しいロバストネスにフォーカスしたメトリクスを含んでいる。
  論文  参考訳（メタデータ） (2025-07-12T01:58:04Z)
• Uncertainty Estimation for 3D Object Detection via Evidential Learning [63.61283174146648]
  本稿では,3次元検出器における鳥の視線表示における明らかな学習損失を利用して,3次元物体検出の不確かさを定量化するためのフレームワークを提案する。 本研究では,これらの不確実性評価の有効性と重要性を,分布外シーンの特定,局所化の不十分な物体の発見,および(偽陰性)検出の欠如について示す。
  論文  参考訳（メタデータ） (2024-10-31T13:13:32Z)
• Open-Vocabulary Object Detectors: Robustness Challenges under Distribution Shifts [6.486569431242123]
  VLM(Vision-Language Models)は近年,画期的な成果を上げている。 VLMオブジェクト検出におけるOODロバスト性の調査は、これらのモデルの信頼性を高めるために不可欠である。 本研究では,最近のOV基盤オブジェクト検出モデルのゼロショット機能について,包括的ロバスト性評価を行った。
  論文  参考訳（メタデータ） (2024-04-01T14:18:15Z)
• AdvMono3D: Advanced Monocular 3D Object Detection with Depth-Aware Robust Adversarial Training [64.14759275211115]
  そこで本研究では,DART3Dと呼ばれるモノクル3次元物体検出のための,深度対応の頑健な対向学習法を提案する。 我々の敵の訓練アプローチは、本質的な不確実性に乗じて、敵の攻撃に対する堅牢性を大幅に向上させる。
  論文  参考訳（メタデータ） (2023-09-03T07:05:32Z)
• On the Adversarial Robustness of Camera-based 3D Object Detection [21.091078268929667]
  本研究では, カメラを用いた3次元物体検出手法の諸条件下でのロバスト性について検討する。 鳥眼ビューに基づく表現は, 局所攻撃に対する強い強靭性を示す。 深さ推定のないアプローチは、強い強靭性を示す可能性がある。 マルチフレームベニグインプットを組み込むことで、敵攻撃を効果的に軽減することができる。
  論文  参考訳（メタデータ） (2023-01-25T18:59:15Z)
• Benchmarking the Robustness of LiDAR Semantic Segmentation Models [78.6597530416523]
  本稿では,LiDAR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,様々な汚職の下で包括的に解析することを目的とする。 本稿では,悪天候,計測ノイズ,デバイス間不一致という3つのグループで16のドメイン外LiDAR破損を特徴とするSemanticKITTI-Cというベンチマークを提案する。 我々は、単純だが効果的な修正によってロバスト性を大幅に向上させるロバストLiDARセグメンテーションモデル(RLSeg)を設計する。
  論文  参考訳（メタデータ） (2023-01-03T06:47:31Z)
• 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)

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。