論文の概要: ODPure: Backdoor Purification for Object Detection via Ensemble Corruption Consensus

• arxiv url: http://arxiv.org/abs/2609.28239v1
• Date: Wed, 23 Sep 2026 15:03:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:18.082642
• Title: ODPure: Backdoor Purification for Object Detection via Ensemble Corruption Consensus
• Title（参考訳）: ODPure:Ensemble Corruption Consensusによるオブジェクト検出のためのバックドアの浄化
• Abstract要約: オブジェクト検出のための新しい入力ステージブラックボックスディフェンスである ODPure を提案する。 本手法は多様なバックドア攻撃やトリガータイプに対する堅牢な防御を提供する。
• 参考スコア（独自算出の注目度）: 22.734671730589508
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the development of applications like autonomous driving, object detection has gained significant attention, while also highlighting critical vulnerabilities like backdoor attacks that severely compromise model integrity. Specifically, such attacks involve altering the categories of objects (i.e., object misclassification), removing bounding boxes (i.e., object disappearance), or generating bounding box proposals for non-existent objects (i.e., object generation) when a predefined trigger is present in the input. Although backdoor defenses for image classification are well-established, the research for object detection remains comparatively underexplored. Existing defenses address these threats by scanning outputs or models for potential backdoors but require discarding either malicious data or models. This remedy fails to enable a continuous and accurate perceptual stream for the object detection pipeline. To address such limitations, we propose ODPure, a novel input-stage black-box defense for object detection, which is based on input purification that ensures stable perception flows. Tailored to the dense prediction nature of object detectors, our Corruption-Reconstruction-Selection (CRS) paradigm operates by neutralizing triggers through a diverse portfolio of corruptions to generate a massive pool of redundant proposals, then recovering fine-grained structural cues via generative priors, and finally employing voting to reach a consensus on the resulting detections. Comprehensive experiments demonstrate that our method provides robust defense against diverse backdoor attacks and trigger types while preserving baseline accuracy. Our code is available at https://github.com/Alex66366/ODPure.
• Abstract（参考訳）: 自律運転のようなアプリケーションの開発により、オブジェクト検出に大きな注目を集める一方で、モデルの整合性を著しく損なうバックドア攻撃のような重大な脆弱性も強調されている。 具体的には、オブジェクトのカテゴリの変更(オブジェクトの誤分類)、バウンディングボックスの削除(オブジェクトの消失)、あるいは入力に予め定義されたトリガが存在する場合の非存在オブジェクトのバウンディングボックスの提案(オブジェクト生成)などである。 画像分類のためのバックドアディフェンスは確立されているが、物体検出の研究は比較的過小評価されている。 既存の防御は、潜在的なバックドアのアウトプットやモデルをスキャンすることでこれらの脅威に対処するが、悪意のあるデータやモデルを捨てる必要がある。 この対策は、オブジェクト検出パイプラインの継続的かつ正確な知覚ストリームを可能にするのに失敗する。 このような制約に対処するため,物体検出のための新しい入力段ブラックボックスディフェンスである ODPure を提案する。 物体検出器の密集した予測の性質に則って、我々のCRS(Corruption-Reconstruction-Selection)パラダイムは、さまざまな汚職のポートフォリオを通じてトリガを中和し、大量の冗長な提案を発生させ、生成前の前兆を通じてきめ細かな構造的手がかりを回復し、最終的に結果の発見に合意に達するために投票を利用する。 総合的な実験により,本手法は,ベースライン精度を維持しつつ,多様なバックドア攻撃やトリガータイプに対して堅牢な防御を提供することを示した。 私たちのコードはhttps://github.com/Alex66366/ODPure.comから入手可能です。

関連論文リスト

• 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)
• BURN: Backdoor Unlearning via Adversarial Boundary Analysis [73.14147934175604]
  Backdoor Unlearningは、モデル本来の機能を保持しながら、バックドア関連の情報を削除することを目的としている。 本稿では, 偽相関疎結合, プログレッシブデータリファインメント, モデル浄化を統合した新しい防御フレームワーク, BURNによるバックドア・アンラーニングを提案する。
  論文  参考訳（メタデータ） (2025-07-14T17:13:06Z)
• AnywhereDoor: Multi-Target Backdoor Attacks on Object Detection [9.539021752700823]
  AnywhereDoorは、オブジェクト検出のためのマルチターゲットバックドアアタックである。 敵は、すべてのオブジェクトクラスまたは特定のオブジェクトクラスをまたいで、オブジェクトを消したり、新しいオブジェクトを作ったり、ラベルを間違えたりすることができる。 このような柔軟な制御のための既存の手法の適応と比較して、攻撃成功率を26%向上させる。
  論文  参考訳（メタデータ） (2024-11-21T15:50:59Z)
• Detector Collapse: Physical-World Backdooring Object Detection to Catastrophic Overload or Blindness in Autonomous Driving [17.637155085620634]
  ディテクター・コラプス(英: Detector Collapse、DC)は、オブジェクト検出用に設計された、新しいバックドア攻撃パラダイムである。 DCは、検出器を瞬時に無力化するように設計されている(つまり、検出器の性能が著しく損なわれ、サービス停止で終了する)。 我々は,自然物を利用した新たな中毒対策を導入し,実環境における実践的なバックドアとして機能することを可能にした。
  論文  参考訳（メタデータ） (2024-04-17T13:12:14Z)
• Mask and Restore: Blind Backdoor Defense at Test Time with Masked Autoencoder [50.1394620328318]
  既存のバックドア防御手法では、いくつかのバリデーションデータとモデルパラメータにアクセスする必要があることが多い。 Masked AutoEncoder (BDMAE) を用いたブラインドバックドアディフェンスの提案 BDMAEは、画像の構造的類似性と、テスト画像とMAE復元の間のラベルの整合性を用いて、可能な局所的なトリガを検出する。
  論文  参考訳（メタデータ） (2023-03-27T19:23:33Z)
• Untargeted Backdoor Attack against Object Detection [69.63097724439886]
  我々は,タスク特性に基づいて,無目標で毒のみのバックドア攻撃を設計する。 攻撃によって、バックドアがターゲットモデルに埋め込まれると、トリガーパターンでスタンプされたオブジェクトの検出を失う可能性があることを示す。
  論文  参考訳（メタデータ） (2022-11-02T17:05:45Z)
• BadDet: Backdoor Attacks on Object Detection [42.40418007499009]
  対象物検出のための4種類のバックドア攻撃を提案する。 トリガーは、ターゲットクラスのオブジェクトを誤って生成することができる。 単一のトリガーは、イメージ内のすべてのオブジェクトの予測をターゲットクラスに変更することができる。
  論文  参考訳（メタデータ） (2022-05-28T18:02:11Z)
• ObjectSeeker: Certifiably Robust Object Detection against Patch Hiding Attacks via Patch-agnostic Masking [95.6347501381882]
  物体探知機は物理的世界のパッチ隠蔽攻撃に弱いことが判明した。 我々は,堅牢なオブジェクト検出器を構築するためのフレームワークとしてObjectSeekerを提案する。
  論文  参考訳（メタデータ） (2022-02-03T19:34:25Z)
• ADC: Adversarial attacks against object Detection that evade Context consistency checks [55.8459119462263]
  文脈整合性チェックさえも、適切に構築された敵の例に対して脆弱であることを示す。 このような防御を覆す実例を生成するための適応型フレームワークを提案する。 我々の結果は、コンテキストを堅牢にモデル化し、一貫性をチェックする方法はまだ未解決の問題であることを示している。
  論文  参考訳（メタデータ） (2021-10-24T00:25:09Z)
• 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。