論文の概要: Detectors Learn the Wrong Thing: Shortcut-Resistant Adversarial Training Against Physically Realizable Attacks
- arxiv url: http://arxiv.org/abs/2607.21243v1
- Date: Thu, 23 Jul 2026 12:06:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-24 18:26:25.410078
- Title: Detectors Learn the Wrong Thing: Shortcut-Resistant Adversarial Training Against Physically Realizable Attacks
- Title（参考訳）: 検知器は、物理的に実現可能な攻撃に対する短命な敵の訓練を学習する
- Abstract要約: 対人訓練は効果的であるが、敵対的なテクスチャと肯定的な人的事例の繰り返しの共起により、検出器はテクスチャ自体を物体の存在の証拠として扱うことができる。
InsCATは,対向的テクスチャを独立した意思決定キューとして使用するのを防ぐ,インスタンスレベルのコントラスト付き対向的トレーニングフレームワークである。
- 参考スコア（独自算出の注目度）: 21.05474045137348
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: AI-enabled visual perception systems are increasingly deployed in intelligent transportation infrastructure and autonomous vehicle related applications. However, physically realizable adversarial appearances pose a significant reliability challenge for these safety-critical systems. Adversarial training is effective, but repeated co-occurrence between adversarial texture and positive person instances can cause detectors to treat the texture itself as evidence of object presence, forming a patch texture shortcut. The detector may then treat texture as evidence for the target, causing false detections on texture-only inputs and weakening cross attack generalisation. We propose InsCAT, an instance-level contrastive adversarial training framework that prevents detectors from using adversarial texture as an independent decision cue. SICA aligns adversarial person features with matched clean features and separates them from texture-only negatives, while ROPO and Guard maintain online attack pressure and coordinate training. We evaluate eight independently generated attack textures on rendered nuScenes, INRIAPerson, printed garments, and three detector families. InsCAT achieves an average attack AP of 82.3% on rendered nuScenes, exceeding the strongest baseline by 11.1 points.Relative to AT-Mix, texture FPR decreases from 46.9% to 7.3%. Physical tests yield an F1 score of 96.6% and an FPR of 1.8%. Consistent gains across separately trained detectors demonstrate applicability across architectures with direct inference. The findings show that robust physical detection depends on preserving target related evidence while preventing adversarial texture from becoming an independent decision cu
- Abstract（参考訳）: AI対応の視覚認識システムは、インテリジェントな交通インフラや自動運転車関連のアプリケーションにますます導入されている。
しかし、物理的に実現可能な敵の出現は、これらの安全クリティカルなシステムに重大な信頼性の課題をもたらす。
対人訓練は効果的であるが、敵対的なテクスチャと肯定的な人的事例の繰り返しの共起により、検出器はテクスチャ自体を物体の存在の証拠として扱い、パッチテクスチャショートカットを形成する。
その後、検出器はテクスチャを標的の証拠として扱い、テクスチャのみの入力を誤検出し、クロスアタックの一般化を弱める。
InsCATは,対向的テクスチャを独立した意思決定キューとして使用するのを防ぐ,インスタンスレベルのコントラスト付き対向的トレーニングフレームワークである。
SICAは、敵対する人物の特徴を一致したクリーンな特徴と整合させ、それらをテクスチャのみの否定から分離する。
InRIAPerson, 印刷衣, 検出器ファミリーの8つの独立した攻撃テクスチャの評価を行った。
InsCAT はレンダリングされた nuScene の平均攻撃 AP が82.3% に達し、最強のベースラインを11.1ポイント上回っている。
F1スコアは96.6%、FPRは1.8%である。
個別に訓練された検出器間の一貫性のある利得は、直接推論でアーキテクチャ全体に適用可能であることを示す。
その結果, 頑健な物理的検出は, 対人的テクスチャが独立した決定手段になるのを防ぎながら, 目標関連証拠の保存に依存していることが明らかとなった。
関連論文リスト
- Fight Poison with Poison: Enhancing Robustness in Few-shot Machine-Generated Text Detection with Adversarial Training [3.427574505782467]
提案するRAG-GuidEd攻撃器は、ストラストショット検出器(REACT)を駆動する。
REACTは、人間化指向のアタッカーとターゲット検出器を結合する。
我々は、REACTが8つの最先端検出器に対して平均F1を4.95ポイント改善することを示す。
論文 参考訳（メタデータ） (2026-05-04T09:16:57Z) - ForensicsSAM: Toward Robust and Unified Image Forgery Detection and Localization Resisting to Adversarial Attack [56.0056378072843]
高い転送性を持つ逆画像は上流モデルでのみ作成可能であることを示す。
本稿では,IFDLフレームワークを組み込んだForensicsSAMを提案する。
論文 参考訳（メタデータ） (2025-08-10T16:03:44Z) - PBCAT: Patch-based composite adversarial training against physically realizable attacks on object detection [27.75925749085402]
敵の攻撃に対する最も効果的な防御として、敵の訓練が認められている。
本稿では, PBCATを提案する。
論文 参考訳（メタデータ） (2025-06-30T07:36:21Z) - AdvReal: Physical Adversarial Patch Generation Framework for Security Evaluation of Object Detection Systems [13.653653250544004]
本稿では,2次元領域と3次元領域の両方を対象とした統合的対角訓練フレームワークを提案する。
我々は,非剛性変形モデリングとテクスチャリマッピングを組み込んだリアリズム強化機構を開発する。
本手法は, YOLOv12における平均攻撃成功率 (ASR) を 70.13% の物理シナリオで達成する。
論文 参考訳（メタデータ） (2025-05-22T08:54:03Z) - Hide in Thicket: Generating Imperceptible and Rational Adversarial
Perturbations on 3D Point Clouds [62.94859179323329]
3Dポイントクラウド分類のための点操作に基づくアドリアック手法により、3Dモデルの脆弱性を明らかにした。
そこで本研究では,2段階の攻撃領域探索を行うHT-ADV法を提案する。
我々は,良性再サンプリングと良性剛性変換を用いることで,不受容性への犠牲がほとんどなく,身体的敵意の強さをさらに高めることができることを示唆する。
論文 参考訳（メタデータ） (2024-03-08T12:08:06Z) - TPatch: A Triggered Physical Adversarial Patch [19.768494127237393]
音響信号によって引き起こされる物理的対向パッチであるTPatchを提案する。
運転者の疑念を避けるため,コンテンツベースカモフラージュ法と攻撃強化法を提案する。
論文 参考訳（メタデータ） (2023-12-30T06:06:01Z) - ODDR: Outlier Detection & Dimension Reduction Based Defense Against Adversarial Patches [4.4100683691177816]
敵対的攻撃は、機械学習モデルの信頼性の高いデプロイに重大な課題をもたらす。
パッチベースの敵攻撃に対処するための総合的な防御戦略である外乱検出・次元削減(ODDR)を提案する。
提案手法は,逆パッチに対応する入力特徴を外れ値として同定できるという観測に基づいている。
論文 参考訳（メタデータ） (2023-11-20T11:08:06Z) - PAIF: Perception-Aware Infrared-Visible Image Fusion for Attack-Tolerant
Semantic Segmentation [50.556961575275345]
対向シーンにおけるセグメンテーションの堅牢性を促進するための認識認識型融合フレームワークを提案する。
我々は,先進の競争相手に比べて15.3% mIOUの利得で,ロバスト性を大幅に向上させることを示す。
論文 参考訳（メタデータ） (2023-08-08T01:55:44Z) - Unified Adversarial Patch for Cross-modal Attacks in the Physical World [11.24237636482709]
単一パッチにより同時に可視・近赤外物体検出装置を騙すための一元対向パッチを提案する。
可視・赤外線センサの異なるイメージング機構を考慮すると、我々の研究は対向パッチの形状をモデル化することに集中している。
その結果、我々の統一パッチは、それぞれ73.33%と69.17%のアタック成功率(ASR)を達成した。
論文 参考訳（メタデータ） (2023-07-15T17:45:17Z) - 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) - 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) - A Self-supervised Approach for Adversarial Robustness [105.88250594033053]
敵対的な例は、ディープニューラルネットワーク(DNN)ベースの視覚システムにおいて破滅的な誤りを引き起こす可能性がある。
本稿では,入力空間における自己教師型対向学習機構を提案する。
これは、反逆攻撃に対する強力な堅牢性を提供する。
論文 参考訳（メタデータ） (2020-06-08T20:42:39Z)
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。