論文の概要: Detecting Backdoors in Object Detection via Pre-NMS Prediction Distribution Shift

• arxiv url: http://arxiv.org/abs/2608.19088v1
• Date: Wed, 19 Aug 2026 16:38:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.463332
• Title: Detecting Backdoors in Object Detection via Pre-NMS Prediction Distribution Shift
• Title（参考訳）: プレNMS予測分布シフトによる物体検出のバックドア検出
• Abstract要約: DistScanは、シンプルだが以前は明らかにされていなかった観察に基づくバックドア検出フレームワークである。 既存の手法を大幅に上回り、最高の性能のベースラインに対する平均検出精度を27.32ポイント向上させる。
• 参考スコア（独自算出の注目度）: 35.70747932100589
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Object detection models deployed in safety-critical applications remain vulnerable to backdoor attacks that cause targeted misbehaviors when a hidden trigger is present. Existing detection methods either rely on trigger inversion or exploit architecture-specific assumptions, and critically, representative existing methods fail to generalize reliably to scene-level attacks, where a single trigger induces anomalous behavior across all objects in the scene simultaneously. We present DistScan, a backdoor detection framework based on a simple but previously unexploited observation: backdoor injection systematically shifts a model's pre-NMS prediction class distribution away from its training class frequencies, even on clean inputs without any trigger present. DistScan aggregates intermediate class predictions over a clean validation set and flags a model as backdoored if the resulting distribution deviates significantly from the training class frequencies, requiring no model weight access, no trigger knowledge, and no additional training. Extensive experiments on MS-COCO and PASCAL VOC across two architectures and three scene-level attack scenarios demonstrate that DistScan substantially outperforms existing methods, improving average detection accuracy over the best-performing applicable baseline by 27.32 percentage points.
• Abstract（参考訳）: 安全クリティカルなアプリケーションにデプロイされるオブジェクト検出モデルは、隠れたトリガーが存在する場合、ターゲットの不正行動を引き起こすバックドア攻撃に対して脆弱なままである。 既存の検出メソッドはトリガーのインバージョンに依存するか、アーキテクチャ固有の仮定を利用するかのいずれかであり、重要なことに、既存のメソッドはシーンレベルの攻撃に対して確実に一般化できない。 バックドアインジェクションは、トレーニングクラス周波数からモデルの前NMS予測クラス分布を、トリガーなしでクリーンな入力でも、体系的にシフトさせる。 DistScanは、クリーンな検証セット上で中間クラスの予測を集約し、結果の分布がトレーニングクラス周波数から著しく逸脱し、モデルウェイトアクセスが不要でトリガー知識が不要で、追加のトレーニングが不要な場合、モデルにバックドアとしてフラグを立てる。 2つのアーキテクチャと3つのシーンレベルの攻撃シナリオにわたるMS-COCOとPASCAL VOCの大規模な実験により、DistScanは既存の手法を大幅に上回り、最高の性能のベースラインに対する平均検出精度を27.32ポイント向上した。

関連論文リスト

• X-WAD: eXplainable Web Anomaly Detection [0.0]
  現代の防衛は、通常のデータのみに基づいて訓練された半教師付きアプローチに頼って、通常の行動をモデル化する傾向が強まっている。 本稿では,Transformer-based Language Models (TLM) によるHTTP要求の異常検出の有効性について検討する。
  論文  参考訳（メタデータ） (2026-08-27T14:23:01Z)
• Z-PEFT: Zero-shot Backdoor Detection in Parameter-Efficient Fine-Tuning via Canonical Spectral Signatures [19.105669683159302]
  悪意のあるアクターは、事前に定義されたトリガーに応じて特定の振る舞いを誘発するバックドアモデルを公開することができる。 重みのみを用いてモデルが悪質かどうかを検知器が予測する重み空間バックドア検出の問題について検討する。 本稿では,Z-PEFTを提案する。Z-PEFTは,層単位でのスペクトル測定にのみ依存する軽量メタ分類器である。
  論文  参考訳（メタデータ） (2026-08-03T14:10:54Z)
• Lightweight and Fast Backdoor Model Detection [36.85393813658947]
  DFBScannerは、高速バックドアスキャンのための軽量な静的パラメータ検査フレームワークである。 DFBScannerは真陽性率97.17%、偽陽性率0.95%、平均検出時間は1モデル当たり1ミリ秒である。
  論文  参考訳（メタデータ） (2026-05-17T16:02:40Z)
• EntropyScan: Towards Model-level Backdoor Detection in LVLMs via Visual Attention Entropy [66.59724477993339]
  LVLM(Large Vision-Language Models)は、様々なタスクにまたがる優れた能力を示すが、バックドア攻撃には弱い。 本稿では,LVLMにおけるモデルレベルのバックドア検出のための軽量かつトリガに依存しないEntropyScanを提案する。 私たちのコードはまもなく公開されます。
  論文  参考訳（メタデータ） (2026-05-15T08:01:32Z)
• Backdoor Mitigation in Object Detection via Adversarial Fine-Tuning [10.393154496941527]
  バックドア攻撃は、安全クリティカルな視覚システムに深刻な脅威をもたらす。 適応微調整は、分類において一般的なバックドア緩和手法である。 物体検出バックドアの軽減のための検出対応逆調整フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-07T09:33:06Z)
• Universal Transformation of One-Class Classifiers for Unsupervised Anomaly Detection [51.73001988341294]
  異常検出は通常、一級分類問題として定式化される。 本稿では,任意の1クラス分類器に基づく異常検出器を,完全に教師なしの手法に変換するデータセット折り畳み方式を提案する。
  論文  参考訳（メタデータ） (2026-02-13T16:54:12Z)
• Lie Detector: Unified Backdoor Detection via Cross-Examination Framework [68.45399098884364]
  半正直な設定で一貫したバックドア検出フレームワークを提案する。 本手法は,SoTAベースラインよりも5.4%,1.6%,11.9%の精度で検出性能が向上する。 特に、マルチモーダルな大規模言語モデルにおいて、バックドアを効果的に検出するのは、これが初めてである。
  論文  参考訳（メタデータ） (2025-03-21T06:12:06Z)
• Learning in Multiple Spaces: Few-Shot Network Attack Detection with Metric-Fused Prototypical Networks [47.18575262588692]
  本稿では,数発の攻撃検出に適した新しいマルチスペースプロトタイプ学習フレームワークを提案する。 Polyakの平均的なプロトタイプ生成を活用することで、このフレームワークは学習プロセスを安定化し、稀でゼロデイの攻撃に効果的に適応する。 ベンチマークデータセットによる実験結果から、MSPLは、目立たない、新しい攻撃タイプを検出する従来のアプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-12-28T00:09:46Z)
• Towards Robust Object Detection: Identifying and Removing Backdoors via Module Inconsistency Analysis [5.8634235309501435]
  オブジェクト検出モデルに適したバックドアディフェンスフレームワークを提案する。 不整合を定量化し解析することにより、バックドアを検出するアルゴリズムを開発する。 最先端の2段階物体検出器を用いた実験により, バックドア除去率の90%向上が得られた。
  論文  参考訳（メタデータ） (2024-09-24T12:58:35Z)
• Model X-ray:Detecting Backdoored Models via Decision Boundary [62.675297418960355]
  バックドア攻撃はディープニューラルネットワーク(DNN)に重大な脆弱性をもたらす 図形化された2次元(2次元)決定境界の解析に基づく新しいバックドア検出手法であるモデルX線を提案する。 提案手法は,クリーンサンプルが支配する意思決定領域とラベル分布の集中度に着目した2つの戦略を含む。
  論文  参考訳（メタデータ） (2024-02-27T12:42:07Z)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)
• Detection as Regression: Certified Object Detection by Median Smoothing [50.89591634725045]
  この研究は、ランダム化平滑化による認定分類の最近の進歩によって動機付けられている。 我々は、$ell$-bounded攻撃に対するオブジェクト検出のための、最初のモデル非依存、トレーニング不要、認定された防御条件を得る。
  論文  参考訳（メタデータ） (2020-07-07T18:40:19Z)

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。