論文の概要: IGME: Efficient Chained Method Ensemble for Transferable Semantic Segmentation Attacks

• arxiv url: http://arxiv.org/abs/2607.27465v1
• Date: Wed, 29 Jul 2026 21:08:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.323205
• Title: IGME: Efficient Chained Method Ensemble for Transferable Semantic Segmentation Attacks
• Title（参考訳）: IGME: 伝達可能なセマンティックセグメンテーション攻撃のための効率的な連鎖法
• Abstract要約: 本稿では,セマンティックセグメンテーションに対するトランスファー可能な攻撃に対して,効率的な単一ソース代替手法を提案する。 我々は、異種攻撃成分に対する連鎖計算として、転送可能な攻撃成分を定式化する。 Pascal VOCとCityscapesの実験は、CNNとTransformerベースのセグメンテーションモデル間での転送可能性のトレードオフを評価する。
• 参考スコア（独自算出の注目度）: 8.87804866046385
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Semantic segmentation models are vulnerable to transferable adversarial perturbations, yet evaluating transfer attacks on dense prediction models can be computationally expensive. Existing ensemble attacks often rely on multiple surrogate models, increasing the computation cost, even harder for segmentation. This paper studies an efficient single-source alternative for transferable attacks on semantic segmentation. We formulate transferable attack composition as a chained computation over differentiable attack components, allowing the expensive source-model gradient computation to be shared. To reduce the update instability introduced by chained composition, we further use an integrated-gradient-style path-averaged direction as an empirical stabilization heuristic. Experiments on Pascal VOC and Cityscapes evaluate the resulting transferability efficiency trade-off across CNN- and transformer-based segmentation models. IGME achieves competitive transferability compared with single-source baselines and favorable runtime compared with model-ensemble attacks, while requiring access to only one source model.
• Abstract（参考訳）: セマンティックセグメンテーションモデルは、伝達可能な逆方向の摂動に弱いが、密度予測モデルに対する伝達攻撃を評価することは、計算コストがかかる。 既存のアンサンブル攻撃は、しばしば複数のサロゲートモデルに依存し、計算コストを増大させ、セグメンテーションを難しくする。 本稿では,セマンティックセグメンテーションに対するトランスファー可能な攻撃に対して,効率的な単一ソース代替手法を提案する。 本稿では,トランスファー可能な攻撃成分を異種攻撃成分上の連鎖計算として定式化し,高コストなソースモデル勾配計算を共有できるようにする。 連鎖合成によって導入された更新不安定性を低減するため,我々はさらに,経験的安定化ヒューリスティックとして,統合段階的な経路平均方向を用いる。 Pascal VOCとCityscapesの実験は、CNNとTransformerベースのセグメンテーションモデル間での転送可能性のトレードオフを評価する。 IGMEは、単一のソースベースラインと、モデルアンサンブルアタックと比較して、競争力のある転送性を実現し、一方のソースモデルにのみアクセスする必要がある。

関連論文リスト

• Prototype-Anchored Generalized Manifold Regression for Unknown-Domain Object Detection [58.25418970608328]
  単一ソースドメイン上でトレーニングされた検出器を複数の未確認領域に転送することを目的としたシングルドメイン一般化オブジェクト検出(Single-DGOD)について検討する。 既存の手法は主に、トレーニング分布を拡大するために、データ拡張やテキストプロンプトといったシミュレーション駆動の戦略に依存している。 本稿では, 未知領域の一般化を多様体回帰問題として定式化する, Visual-Text Dual Chain-of-Thought (MR-DCoT) を用いたマニフォールド回帰を提案する。
  論文  参考訳（メタデータ） (2026-07-08T09:27:15Z)
• SegTrans: Transferable Adversarial Examples for Segmentation Models [47.89859018981832]
  既存の敵攻撃手法は、異なるセグメンテーションモデル間での転送性が低いことを示す。 入力サンプルを複数のローカル領域に分割する新しい転送攻撃フレームワークであるSegTransを提案する。 SegTransは、摂動を最適化するためにグローバルなセマンティック情報を使用するのではなく、元の入力からのローカルなセマンティック情報のみを保持する。
  論文  参考訳（メタデータ） (2025-10-10T02:11:29Z)
• A Simple DropConnect Approach to Transfer-based Targeted Attack [43.039945949426546]
  本研究では,単一サロゲートモデルを用いて生成した敵対サンプルを直接対象モデルに適用するトランスファーベースブラックボックス攻撃の問題点について検討する。 我々はDropConnectによる摂動共適応を緩和し、転送可能性を高めることを提案する。 CNNベースのモデルからTransformerベースのモデルに移行するという難しいシナリオでは、MCDは最先端のベースラインに比べて平均ASRが13%高い。
  論文  参考訳（メタデータ） (2025-04-24T12:29:23Z)
• Enhancing Adversarial Transferability with Adversarial Weight Tuning [50.01825144613307]
  敵対的な例(AE)は、人間の観察者に対して良心を抱きながらモデルを誤解させた。 AWTは、勾配に基づく攻撃法とモデルに基づく攻撃法を組み合わせて、AEの転送可能性を高めるデータフリーチューニング手法である。
  論文  参考訳（メタデータ） (2024-08-18T13:31:26Z)
• Advancing Generalized Transfer Attack with Initialization Derived Bilevel Optimization and Dynamic Sequence Truncation [49.480978190805125]
  転送攻撃はブラックボックスアプリケーションに大きな関心を惹きつける。 既存の作業は、本質的に単一のレベルの目的 w.r.t. シュロゲートモデルを直接最適化する。 本稿では,上位レベル(UL)と下位レベル(LL)のサロゲート攻撃とのネスト関係を明示的に再構築する2レベル最適化手法を提案する。
  論文  参考訳（メタデータ） (2024-06-04T07:45:27Z)
• Transferable Attack for Semantic Segmentation [59.17710830038692]
  敵が攻撃し、ソースモデルから生成された敵の例がターゲットモデルを攻撃するのに失敗するのを観察します。 本研究では, セマンティックセグメンテーションのためのアンサンブルアタックを提案する。
  論文  参考訳（メタデータ） (2023-07-31T11:05:55Z)
• Stochastic Variance Reduced Ensemble Adversarial Attack for Boosting the Adversarial Transferability [20.255708227671573]
  ブラックボックスの敵攻撃は、あるモデルから別のモデルに転送することができる。 本研究では,分散縮小アンサンブル攻撃と呼ばれる新しいアンサンブル攻撃法を提案する。 実験結果から,提案手法は既存のアンサンブル攻撃を著しく上回り,対向移動性を向上する可能性が示唆された。
  論文  参考訳（メタデータ） (2021-11-21T06:33:27Z)
• Boosting Black-Box Attack with Partially Transferred Conditional Adversarial Distribution [83.02632136860976]
  深層ニューラルネットワーク(DNN)に対するブラックボックス攻撃の研究 我々は, 代理バイアスに対して頑健な, 対向移動可能性の新たなメカニズムを開発する。 ベンチマークデータセットの実験と実世界のAPIに対する攻撃は、提案手法の優れた攻撃性能を示す。
  論文  参考訳（メタデータ） (2020-06-15T16:45:27Z)

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。