論文の概要: AdROD: HyperNetwork-based Adversarially Robust Object Detection for Autonomous Driving
- arxiv url: http://arxiv.org/abs/2608.16031v1
- Date: Mon, 17 Aug 2026 02:52:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.508696
- Title: AdROD: HyperNetwork-based Adversarially Robust Object Detection for Autonomous Driving
- Title（参考訳）: AdROD:ハイパーネットワークによる自律走行用逆ロバスト物体検出
- Abstract要約: カメラベースの物体検出器は、検出を抑制するために設計された物理的敵攻撃に対して脆弱である。
本稿では,自律運転のための組込み型アンサンブル防御ソフトウェアAdRODを提案する。
- 参考スコア（独自算出の注目度）: 4.4758385009686945
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Camera-based object detectors are vulnerable to physical adversarial attacks designed to suppress detections. While adversarial training and input purification offer some protection, they often overfit to specific attack distributions and fail on adaptive adversaries. This paper presents AdROD, an embedded, stochastic ensemble defense software designed for autonomous driving. AdROD employs {\em low-rank HyperNetworks}, which require only 1.6\% of the parameter footprint of standard HyperNetworks, to generate diverse detectors at a per-frame rate, making it impractical for attackers to obtain the deployed detectors in time. To further improve adversarial robustness, AdROD incorporates a novel \emph{functional diversity} mechanism, which couples stochastic weight updates with unique input-space transformations. We design two serving modes of AdROD that strike different trade-offs between robustness and runtime overhead: AdROD-I, a continuous protection mode for maximum resilience that leverages inter-detector disagreement to recover compromised detections, and AdROD-II, an on-demand mode triggered by kinematic discontinuities in object tracking. Through comprehensive evaluation with synthetic benchmarks, physically deployed adversarial patches, and end-to-end safety tests in the OpenCDA co-simulator, AdROD outperforms five baseline defenses and exhibits superior generalizability compared with the evaluated adversarial-training baselines, while maintaining real-time performance for safely stopping the vehicle at a stop sign instrumented with adversarial patches.
- Abstract（参考訳）: カメラベースの物体検出器は、検出を抑制するために設計された物理的敵攻撃に対して脆弱である。
敵の訓練と入力の浄化はいくつかの保護を提供するが、それらは特定の攻撃分布に過度に適合し、適応的な敵に失敗することが多い。
本稿では,自律運転用に設計された組込み確率型アンサンブル防衛ソフトウェアAdRODを提案する。
AdRODは、標準のHyperNetworksのパラメータフットプリントの1.6.%しか必要としない {\em Low-rank HyperNetworks}を使用して、フレーム毎のレートで多様な検出器を生成する。
対向ロバスト性をさらに改善するため、AdRODは独自の入力空間変換と確率的重み更新を結合する新しい 'emph{functional diversity' 機構を取り入れている。
本稿では,ロバスト性とランタイムオーバヘッドのトレードオフに対処するAdRODの2つのサービスモードを設計する。AdROD-Iは,検出間の不一致を利用した最大レジリエンスの継続的保護モードであり,AdROD-IIはオブジェクトトラッキングにおけるキネマティック不連続によって引き起こされるオンデマンドモードである。
総合的なベンチマーク、物理的に配置された逆行パッチ、OpenCDAコシミュレータのエンドツーエンド安全テストによる総合的な評価を通じて、AdRODは5つのベースラインディフェンスを上回り、評価された逆行訓練ベースラインよりも優れた一般化性を示しながら、対向パッチを備えたストップサインで車両を安全に停止するためのリアルタイムパフォーマンスを維持している。
関連論文リスト
- Detecting Adversarial Evasion Attacks Against Autoencoder-Based Network Intrusion Detection Systems [0.0]
侵入攻撃はMLベースのシステムへの入力を意図的に操作し、操作された入力がまだ良さそうに見える間に誤った予測を生成する。
本稿では,Residual Localisation Detector (RLD) とFeature-Space Perturbation Consistency (FPC) Detector (FPC) の2つの補完検出器を提案する。
UQ-IoTデータセット内の複数のIoTデバイスからの良性、悪意、敵対的なトラフィックに対して、両方の検出器を評価する。
論文 参考訳（メタデータ） (2026-07-01T17:26:24Z) - Provable Robustness against Backdoor Attacks via the Primal-Dual Perspective on Differential Privacy [51.758416625168]
ランダムな平滑化は、敵の摂動に対する堅牢性を証明するための強力なツールである。
本稿では,複雑な構成機構の認証のためのフレームワークを提案する。
複雑な脅威モデル下での堅牢性を証明するために複合メカニズムを使用するための原則的で一般的なフレームワークを提供する。
論文 参考訳（メタデータ） (2026-05-20T22:17:29Z) - Transferable Physical-World Adversarial Patches Against Object Detection in Autonomous Driving [26.52089431845835]
本稿では、自律運転における物体検出に対するトランスファーベースの物理的攻撃であるAdvADを提案する。
特定の検出器をターゲットにするのではなく、AdvADは統一されたフレームワークで複数の検出モデルにまたがる敵パッチを最適化する。
デジタルおよび実世界の両方の環境での実験では、AdvADはパフォーマンスと転送性において、常に最先端(SOTA)攻撃を上回っている。
論文 参考訳（メタデータ） (2026-04-25T02:00:01Z) - Defending against Patch-Based and Texture-Based Adversarial Attacks with Spectral Decomposition [29.049635093468456]
敵対的な例は、ディープニューラルネットワーク(DNN)アプリケーションのセキュリティに重大な課題を示している。
パッチベースおよびテクスチャベースの攻撃は、監視や自律システムにおける人検出などのセキュリティクリティカルなアプリケーションに対して、真の脅威となる。
本稿では,複数の周波数スケールの対向パターンを解析するために,ASD(Adversarial Spectrum Defense)を提案する。
論文 参考訳（メタデータ） (2026-04-12T16:24:08Z) - Attention in Motion: Secure Platooning via Transformer-based Misbehavior Detection [0.6999740786886536]
車両小隊は、多車編成の調整を通じて、輸送効率と安全性の変革的な改善を約束する。
確率チェックや統計的手法に依存する従来の誤動作検出手法は、偽陽性(FP)率が高い。
Intention In Motion (AIMformer) は、車体プラトンにおけるリアルタイムな誤動作検出に適したトランスフォーマーベースのフレームワークである。
論文 参考訳（メタデータ） (2025-12-17T14:45:33Z) - Evaluating the Adversarial Robustness of Detection Transformers [4.3012765978447565]
物体検出変換器(DETR)の進歩にもかかわらず、敵の攻撃に対する堅牢性は未解明のままである。
本稿では,White-box と Black-box の両攻撃下での DETR モデルとその変種を包括的に評価する。
解析の結果, DETR 変種間のネットワーク内転送性は高いが, CNN モデルに対するネットワーク間転送性は限定的であることがわかった。
論文 参考訳（メタデータ） (2024-12-25T00:31:10Z) - Meta Invariance Defense Towards Generalizable Robustness to Unknown Adversarial Attacks [62.036798488144306]
現在の防衛は主に既知の攻撃に焦点を当てているが、未知の攻撃に対する敵意の強固さは見過ごされている。
メタ不変防衛(Meta Invariance Defense, MID)と呼ばれる攻撃非依存の防御手法を提案する。
MIDは高レベルの画像分類と低レベルの頑健な画像再生における攻撃抑制において,知覚不能な逆方向の摂動に対して同時に頑健性を実現する。
論文 参考訳（メタデータ） (2024-04-04T10:10:38Z) - Avoid Adversarial Adaption in Federated Learning by Multi-Metric
Investigations [55.2480439325792]
Federated Learning(FL)は、分散機械学習モデルのトレーニング、データのプライバシの保護、通信コストの低減、多様化したデータソースによるモデルパフォーマンスの向上を支援する。
FLは、中毒攻撃、標的外のパフォーマンス劣化とターゲットのバックドア攻撃の両方でモデルの整合性を損なうような脆弱性に直面している。
我々は、複数の目的に同時に適応できる、強い適応的敵の概念を新たに定義する。
MESASは、実際のデータシナリオで有効であり、平均オーバーヘッドは24.37秒である。
論文 参考訳（メタデータ） (2023-06-06T11:44:42Z) - Improving Adversarial Robustness to Sensitivity and Invariance Attacks
with Deep Metric Learning [80.21709045433096]
対向ロバスト性の標準的な方法は、サンプルを最小に摂動させることによって作られたサンプルに対して防御する枠組みを仮定する。
距離学習を用いて、最適輸送問題として逆正則化をフレーム化する。
予備的な結果から, 変分摂動の規則化は, 変分防御と敏感防御の両方を改善することが示唆された。
論文 参考訳（メタデータ） (2022-11-04T13:54:02Z) - Adaptive Feature Alignment for Adversarial Training [56.17654691470554]
CNNは通常、敵攻撃に対して脆弱であり、セキュリティに敏感なアプリケーションに脅威をもたらす。
任意の攻撃強度の特徴を生成するための適応的特徴アライメント(AFA)を提案する。
本手法は任意の攻撃強度の特徴を自動的に整列するように訓練されている。
論文 参考訳（メタデータ） (2021-05-31T17:01:05Z) - 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) - Reliable evaluation of adversarial robustness with an ensemble of
diverse parameter-free attacks [65.20660287833537]
本稿では,最適段差の大きさと目的関数の問題による障害を克服するPGD攻撃の2つの拡張を提案する。
そして、我々の新しい攻撃と2つの補完的な既存の攻撃を組み合わせることで、パラメータフリーで、計算に手頃な価格で、ユーザに依存しない攻撃のアンサンブルを形成し、敵の堅牢性をテストする。
論文 参考訳（メタデータ） (2020-03-03T18:15:55Z)
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。