論文の概要: Physically Real-time Infrared Attack against Optical Flow Estimation Networks

• arxiv url: http://arxiv.org/abs/2607.26651v1
• Date: Wed, 29 Jul 2026 09:12:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.607546
• Title: Physically Real-time Infrared Attack against Optical Flow Estimation Networks
• Title（参考訳）: 光フロー推定ネットワークに対する物理的リアルタイム赤外線攻撃
• Abstract要約: 本稿では,物理世界における光フロー推定ネットワークに対するリアルタイム攻撃について述べる。 先例を多数生成することにより,AEをリアルタイムに計算し,動的に表示する。 従来のデジタル・物理的攻撃手法とは異なり、本手法は物理的世界の犠牲者モデルを直接攻撃する。
• 参考スコア（独自算出の注目度）: 19.19261635934934
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the promising performance of deep neural networks on image-based tasks, different real-world applications such as autonomous driving and motion detection have become increasingly mature and relevant to human lives. In particular, Optical Flow Estimation Networks (OFENs), as upstream models, play a critical role in different domains. Its outputs are heavily assumed and adopted for different downstream tasks, and it is essential to test its robustness to prevent safety accidents. We present an approach for real-time attacks on OFENs in the physical world, leveraging infrared lights for their stealthiness. By generating a large number of Adversarial Examples in advance, our approach computes AEs in real time and dynamically displays them, which allows our method to facilitate precise and targeted attacks without modifying the victim system. Unlike previous digital-to-physical attack techniques, our method directly attacks victim models within the physical world, thereby overcoming the limitations associated with the ineffectiveness of AEs. Experimental results demonstrate the efficacy of our approach in compromising OFENs across diverse lighting conditions, varying object motion velocities, and different object placements, ultimately impairing the network's ability to accurately estimate optical flow.
• Abstract（参考訳）: 画像ベースのタスクにおけるディープニューラルネットワークの有望なパフォーマンスにより、自律運転やモーション検出といったさまざまな現実世界のアプリケーションは、ますます成熟し、人間の生活に結びついています。 特に、上流モデルとして光学フロー推定ネットワーク(OFEN)は、異なる領域において重要な役割を果たす。 アウトプットは下流の様々なタスクに強く仮定され採用されており、安全事故を防ぐための堅牢性をテストすることが不可欠である。 我々は,物理界におけるOFENのリアルタイム攻撃に対するアプローチを提案し,そのステルスネスに赤外光を利用する。 先例を多数生成することにより,AEをリアルタイムに計算し,動的に表示する。 従来のデジタル・物理的攻撃手法とは異なり、本手法は物理的世界の犠牲者モデルを直接攻撃し、AEの非効率性に関わる限界を克服する。 実験により, 様々な照明条件, 物体運動速度, 異なる物体配置にまたがるOFENのコンプロミュレーションにおいて, ネットワークの光学的流れを正確に推定する能力が損なわれていることを示す。

関連論文リスト

• Thermal Topology Collapse: Universal Physical Patch Attacks on Infrared Vision Systems [9.1429852822672]
  ユニバーサル・フィジカル・パッチ・アタック(UPPA)は、赤外線領域における最初のユニバーサル・フィジカル・アタック法である。 UPPAは、オンラインの計算オーバーヘッドなしに、卓越した物理的攻撃の成功率を達成する。
  論文  参考訳（メタデータ） (2026-03-23T12:08:06Z)
• 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)
• Human-Imperceptible Physical Adversarial Attack for NIR Face Recognition Models [0.0]
  近赤外線(NIR)顔認識システムは、物理的敵攻撃を受けると脆弱性を示す。 我々は、ブラックボックス設定でNIR顔認識システムを攻撃するための、新しい、ステルス的で実用的な敵パッチを設計する。 我々は,NIR光反射をシミュレートし,画素レベルの差を最小限に抑えるために,ヒト皮膚の光反射モデルを開発した。
  論文  参考訳（メタデータ） (2025-04-22T12:10:25Z)
• Attack Anything: Blind DNNs via Universal Background Adversarial Attack [17.73886733971713]
  ディープニューラルネットワーク(DNN)は、敵の摂動に感受性があり、弱いことが広く実証されている。 本稿では,攻撃効果を多種多様な対象,モデル,タスク間でよく一般化する,攻撃の背景攻撃フレームワークを提案する。 我々は,様々な対象,モデル,タスクにまたがるデジタルドメインと物理ドメインの両方において,包括的かつ厳密な実験を行い,提案手法のあらゆる攻撃の有効性を実証した。
  論文  参考訳（メタデータ） (2024-08-17T12:46:53Z)
• Embodied Laser Attack:Leveraging Scene Priors to Achieve Agent-based Robust Non-contact Attacks [13.726534285661717]
  本稿では,非接触レーザー攻撃を動的に調整する新しい枠組みであるEmbodied Laser Attack (ELA)を紹介する。 認識モジュールのために,ERAは交通シーンの本質的な事前知識に基づいて,局所的な視点変換ネットワークを革新的に開発してきた。 決定と制御モジュールのために、ERAは時間を要するアルゴリズムを採用する代わりに、データ駆動の強化学習で攻撃エージェントを訓練する。
  論文  参考訳（メタデータ） (2023-12-15T06:16:17Z)
• Attention-Based Real-Time Defenses for Physical Adversarial Attacks in Vision Applications [58.06882713631082]
  ディープニューラルネットワークはコンピュータビジョンタスクにおいて優れたパフォーマンスを示すが、現実の敵攻撃に対する脆弱性は深刻なセキュリティ上の懸念を引き起こす。 本稿では、敵チャネルの注意力を利用して、浅いネットワーク層における悪意のある物体を素早く識別・追跡する、効果的な注意に基づく防御機構を提案する。 また、効率的な多フレーム防御フレームワークを導入し、防御性能と計算コストの両方を評価することを目的とした広範な実験を通じて、その有効性を検証した。
  論文  参考訳（メタデータ） (2023-11-19T00:47:17Z)
• Unified Adversarial Patch for Visible-Infrared Cross-modal Attacks in the Physical World [11.24237636482709]
  我々は,単一パッチを同時に両モードで回避し,クロスモーダルな物理的攻撃を行える統一逆襲パッチを設計する。 本稿では, 対向パッチのコンパクトかつ滑らかな形状を実現することを目的とした, 境界制限型形状最適化手法を提案する。 提案手法はいくつかの最先端物体検出器に対して評価され,アタック成功率 (ASR) は80%以上である。
  論文  参考訳（メタデータ） (2023-07-27T08:14:22Z)
• Data Forensics in Diffusion Models: A Systematic Analysis of Membership Privacy [62.16582309504159]
  本研究では,拡散モデルに対するメンバシップ推論攻撃の系統的解析を開発し,各攻撃シナリオに適した新しい攻撃手法を提案する。 提案手法は容易に入手可能な量を利用して,現実的なシナリオにおいてほぼ完全な攻撃性能 (>0.9 AUCROC) を達成することができる。
  論文  参考訳（メタデータ） (2023-02-15T17:37:49Z)
• Shadows can be Dangerous: Stealthy and Effective Physical-world Adversarial Attack by Natural Phenomenon [79.33449311057088]
  我々は、非常に一般的な自然現象であるシャドーによって摂動が生じる新しい種類の光対角運動例について研究する。 我々は,シミュレーション環境と実環境の両方において,この新たな攻撃の有効性を広く評価した。
  論文  参考訳（メタデータ） (2022-03-08T02:40:18Z)
• 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)
• Temporally-Transferable Perturbations: Efficient, One-Shot Adversarial Attacks for Online Visual Object Trackers [81.90113217334424]
  本研究では, オブジェクトテンプレート画像からのみ, 一時移動可能な対人的摂動を生成するフレームワークを提案する。 この摂動はあらゆる検索画像に追加され、事実上何のコストもかからないが、それでもトラッカーを騙すのに成功している。
  論文  参考訳（メタデータ） (2020-12-30T15:05:53Z)

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。