論文の概要: SegPAR: Class-Centric Decision-Based Sparse Attack for Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2608.11285v1
• Date: Tue, 11 Aug 2026 14:44:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.322587
• Title: SegPAR: Class-Centric Decision-Based Sparse Attack for Semantic Segmentation
• Title（参考訳）: SegPAR: セマンティックセグメンテーションのためのクラス中心決定に基づくスパースアタック
• Authors: Dongsu Song, DaeYun GO, Boseung Seo, Jay Hoon Jung,
• Abstract要約: 我々は、分類領域からの最も代表的な決定ベースのブラックボックススパース攻撃をベースラインとして適応する。 SegPARは、クラス中心の探索パラダイムに移行する、新しい意思決定ベースのフレームワークである。 実験により、SegPARはブラックボックスベースラインよりもスパシティ効率とMIoU低減に優れていた。
• 参考スコア（独自算出の注目度）: 2.3332469289621787
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite the practical relevance of sparse decision-based black-box threats, they have received limited attention in semantic segmentation. To bridge this gap, we adapt the most representative decision-based black-box sparse attacks from the classification domain to serve as baselines, establishing a rigorous benchmark for this underexplored setting. In this context, we demonstrate that one of the existing methods suffers from severe query inefficiency due to its image-centric pixel accumulation, which rapidly exhausts query budgets across the vast image space. To overcome this, we propose SegPAR, a novel decision-based framework that shifts to a class-centric exploration paradigm. Furthermore, to eliminate the misleading feedback generated by standard decision rewards during pixel accumulation, we introduce a novel discrepancy reward. Extensive experiments show that SegPAR significantly outperforms black-box baselines in sparsity efficiency and MIoU reduction, while remaining competitive with white-box sparse attacks. Code is available at \href{https://github.com/KAU-QuantumAILab/SegPAR}{https://github.com/KAU-QuantumAILab/SegPAR}.
• Abstract（参考訳）: スパース決定に基づくブラックボックス脅威の実践的関連性にもかかわらず、セマンティックセグメンテーションにおいて限定的な注目を集めている。 このギャップを埋めるために、分類領域から最も代表的な決定ベースのブラックボックススパース攻撃をベースラインとして適用し、この未探索環境に対する厳密なベンチマークを確立する。 この文脈において、既存の手法の1つは、画像中心の画素蓄積による厳しいクエリ非効率に悩まされており、膨大な画像空間にわたるクエリ予算が急速に枯渇していることを実証する。 これを解決するために、クラス中心の探索パラダイムに移行する新しい意思決定ベースのフレームワークであるSegPARを提案する。 さらに,画素蓄積時の標準的な決定報酬によって生じる誤解を招くフィードバックを排除するために,新たな不一致報酬を導入する。 大規模な実験では、SegPARはホワイトボックススパース攻撃と競合しながらも、スパシティ効率とMIoU削減においてブラックボックスベースラインを著しく上回っている。 コードは \href{https://github.com/KAU-QuantumAILab/SegPAR}{https://github.com/KAU-QuantumAILab/SegPAR} で公開されている。

関連論文リスト

• GreedyPixel: Fine-Grained Black-Box Adversarial Attack Via Greedy Algorithm [21.84393608348216]
  GreedyPixelは、ディープニューラルネットワークの新しい敵攻撃フレームワークである。 これは、サロゲート由来の画素優先マップと、クエリフィードバックによって改善されたグレード、ピクセルごとの最適化を組み合わせたものだ。 以上の結果から,GreedyPixelはホワイトボックス攻撃とブラックボックス攻撃の精度ギャップを埋めることがわかった。
  論文  参考訳（メタデータ） (2025-01-24T04:17:03Z)
• Neighbor-Aware Calibration of Segmentation Networks with Penalty-Based Constraints [19.897181782914437]
  本稿では,ロジット値の等式制約に基づく基本的かつ単純な解を提案し,強制制約と罰則の重みを明示的に制御する。 我々のアプローチは、広範囲のディープセグメンテーションネットワークのトレーニングに利用できる。
  論文  参考訳（メタデータ） (2024-01-25T19:46:57Z)
• Complementary Random Masking for RGB-Thermal Semantic Segmentation [63.93784265195356]
  RGB-熱的セマンティックセグメンテーションは、悪天候や照明条件における信頼性の高いセマンティックセマンティックセマンティック理解を実現するための潜在的ソリューションである。 本稿では,1)RGB-T画像の相補的ランダムマスキング戦略,2)クリーンモードとマスク入力モードの自己蒸留損失を提案する。 3つのRGB-Tセマンティックセマンティックセグメンテーションベンチマークで最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-03-30T13:57:21Z)
• Pointly-Supervised Panoptic Segmentation [106.68888377104886]
  弱教師付き単眼セグメンテーションにポイントレベルのアノテーションを適用するための新しい手法を提案する。 完全に教師された方法で使用される高密度のピクセルレベルラベルの代わりに、ポイントレベルラベルは、監督対象ごとに単一のポイントしか提供しない。 我々は、ポイントレベルのラベルから同時に汎視的擬似マスクを生成し、それらから学習することで、エンドツーエンドのフレームワークにおける問題を定式化する。
  論文  参考訳（メタデータ） (2022-10-25T12:03:51Z)
• Proximal Splitting Adversarial Attacks for Semantic Segmentation [33.53113858999438]
  ホワイトボックス攻撃は、近位ラグランジアンノルムに基づく敵対的セグメンテーションモデルを騙すことができることを示す。 セグメンテーションに適応した分類攻撃と同様に,従来提案した攻撃よりも有意に優れていた。
  論文  参考訳（メタデータ） (2022-06-14T21:23:02Z)
• Beyond the Prototype: Divide-and-conquer Proxies for Few-shot Segmentation [63.910211095033596]
  少ないショットのセグメンテーションは、少数の濃密なラベル付けされたサンプルのみを与えられた、目に見えないクラスオブジェクトをセグメンテーションすることを目的としている。 分割・分散の精神において, 単純かつ多目的な枠組みを提案する。 提案手法は、DCP(disvision-and-conquer proxies)と呼ばれるもので、適切な信頼性のある情報の開発を可能にする。
  論文  参考訳（メタデータ） (2022-04-21T06:21:14Z)
• Discriminator-Free Generative Adversarial Attack [87.71852388383242]
  生成的ベースの敵攻撃は、この制限を取り除くことができる。 ASymmetric Saliency-based Auto-Encoder (SSAE) は摂動を生成する。 SSAEが生成した敵の例は、広く使われているモデルを崩壊させるだけでなく、優れた視覚的品質を実現する。
  論文  参考訳（メタデータ） (2021-07-20T01:55:21Z)
• Sparse and Imperceptible Adversarial Attack via a Homotopy Algorithm [93.80082636284922]
  少数の敵対的攻撃は、数ピクセルを摂動するだけでディープ・ネットワーク(DNN)を騙すことができる。 近年の取り組みは、他の等級のl_infty摂動と組み合わせている。 本稿では,空間的・神経的摂動に対処するホモトピーアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-06-10T20:11:36Z)
• Perturbing Across the Feature Hierarchy to Improve Standard and Strict Blackbox Attack Transferability [100.91186458516941]
  我々は、ディープニューラルネットワーク(DNN)画像分類器の領域におけるブラックボックス転送に基づく敵攻撃脅威モデルを検討する。 我々は,多層摂動が可能なフレキシブルアタックフレームワークを設計し,最先端のターゲット転送性能を示す。 提案手法が既存の攻撃戦略より優れている理由を解析し,ブラックボックスモデルに対する限られたクエリが許された場合に,メソッドの拡張を示す。
  論文  参考訳（メタデータ） (2020-04-29T16:00:13Z)
• Towards Bounding-Box Free Panoptic Segmentation [16.4548904544277]
  パン光学セグメンテーションのための新しいBunding-Box Free Network (BBFNet) を提案する。 BBFNetは、粗い流域レベルを予測し、境界が適切に定義された大きなインスタンス候補を検出するためにそれらを使用する。 境界が信頼性の低い小さなインスタンスでは、BBFNetはHoughの投票によってインスタンス中心を予測し、続いて平均シフトによって小さなオブジェクトを確実に検出する。
  論文  参考訳（メタデータ） (2020-02-18T16:34:01Z)

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。