論文の概要: LiDAR-SHIELD: A Fully Dockerized Adversarial Robustness Assessment Framework for LiDAR-Based 3D Perception Models

• arxiv url: http://arxiv.org/abs/2610.39848v1
• Date: Thu, 29 Oct 2026 11:27:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:10.080419
• Title: LiDAR-SHIELD: A Fully Dockerized Adversarial Robustness Assessment Framework for LiDAR-Based 3D Perception Models
• Title（参考訳）: LiDAR-SHIELD: LiDARベースの3次元知覚モデルのための完全にDocker化された対向ロバストネス評価フレームワーク
• Abstract要約: LiDARベースの3D知覚は、自動運転とロボット工学を支える。 これらのモデルを安全にデプロイするには、実際の使用前に敵の入力に対してストレステストを行う必要がある。 LIDARSHIELDは、このワークフローをリバースする、統一的で完全にDocker化されたフレームワークです。
• 参考スコア（独自算出の注目度）: 43.41593335397304
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LiDAR-based 3D perception underpins autonomous driving and robotics, yet deploying these models safely requires stress-testing them against adversarial inputs before real-world use. Although state-of-the-art adversarial attacks exist, their implementations are often fragmented across individual repositories, each tied to a specific architecture or task and requiring manual environment reconstruction and model-specific integration code. We present LIDARSHIELD, a unified and fully Dockerized framework that reverses this workflow: rather than installing the target model inside the toolkit, LIDARSHIELD exposes any model through three lightweight HTTP endpoints, namely /info, /forward, and /gradient As a result, connecting a new model or dataset requires only a single loader function or adapter. The framework supports both 3D semantic segmentation and 3D object detection through the same engine-service protocol, integrating a task-aware suite of state-of-the-art attacks, including PGD and Square Attack for segmentation, and point perturbation, point removal, point injection, and LiDAttack for detection. This enables systematic exposure of corner cases and vulnerabilities across heterogeneous LiDAR backbones. The LiDAR-Shield codebase is publicly available at https://github.com/alexandrosgk/LiDAR-shield.
• Abstract（参考訳）: LiDARをベースとした3D認識は、自動運転とロボット工学の基盤となっているが、これらのモデルを安全に展開するには、実際の使用前に相手の入力に対してストレステストを行う必要がある。 最先端の敵攻撃は存在するが、それらの実装は個々のリポジトリで断片化され、それぞれが特定のアーキテクチャやタスクに結び付けられ、手動の環境再構築とモデル固有の統合コードを必要とする。 LIDARSHIELDは、ツールキット内にターゲットモデルをインストールするのではなく、/info、/forward、/gradientという3つの軽量HTTPエンドポイントを通じてモデルを公開します。 このフレームワークは、3Dセマンティックセグメンテーションと3Dオブジェクト検出の両方を同一のエンジン-サービスプロトコルでサポートし、セグメンテーションのためのPGDやSquare Attack、検出のためのポイント摂動、ポイント除去、ポイントインジェクション、LiDAttackを含む、最先端攻撃のタスク対応スイートを統合する。 これにより、異質なLiDARバックボーンでコーナーケースと脆弱性を体系的に露呈することができる。 LiDAR-Shieldのコードベースはhttps://github.com/alexandrosgk/LiDAR-shieldで公開されている。

関連論文リスト

• Mirage: a Clean-Label Backdoor against LiDAR 3D Object Detection [6.8860952019389705]
  私たちは、深層ニューラルネットワークに基づくLiDAR 3DODに対するブラックボックスとクリーンラベルのバックドア攻撃であるMirageを紹介します。 ミラージュは73%の誤分類成功率を達成し、毒性率はわずか0.5%であり、良性モデルに近い検出性能を維持している。
  論文  参考訳（メタデータ） (2026-06-18T03:25:22Z)
• On the Feasibility and Opportunity of Autoregressive 3D Object Detection [60.86546723351944]
  AutoReg3Dは、検出をシーケンス生成としてキャストする自動回帰型3D検出器である。 さまざまなポイントクラウドやバックボーンに互換性があり、アンカーやNMSなしで、競合するnuScenesのパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-03-09T05:46:53Z)
• Approaching Outside: Scaling Unsupervised 3D Object Detection from 2D Scene [22.297964850282177]
  教師なし3次元検出のためのLiDAR-2D Self-paced Learning (LiSe)を提案する。 RGB画像は、正確な2Dローカライゼーションキューを提供するLiDARデータの貴重な補完となる。 本フレームワークでは,適応型サンプリングと弱いモデルアグリゲーション戦略を組み込んだ自己評価学習パイプラインを考案する。
  論文  参考訳（メタデータ） (2024-07-11T14:58:49Z)
• Weak-to-Strong 3D Object Detection with X-Ray Distillation [75.47580744933724]
  本稿では,既存の任意の3Dオブジェクト検出フレームワークにシームレスに統合する多目的手法を提案する。 オブジェクト・コンプリートフレームを用いたX線蒸留は、教師付き設定と半教師付き設定の両方に適している。 提案手法は,半教師あり学習における最先端の手法を1-1.5mAPで超越する。
  論文  参考訳（メタデータ） (2024-03-31T13:09:06Z)
• SSC3OD: Sparsely Supervised Collaborative 3D Object Detection from LiDAR Point Clouds [16.612824810651897]
  疎密な協調3Dオブジェクト検出フレームワークSSC3ODを提案する。 各エージェントは、シーン内の1つのオブジェクトをランダムにラベルするだけです。 疎調整された3Dオブジェクト検出器の性能を効果的に向上させることができる。
  論文  参考訳（メタデータ） (2023-07-03T02:42:14Z)
• AOP-Net: All-in-One Perception Network for Joint LiDAR-based 3D Object Detection and Panoptic Segmentation [9.513467995188634]
  AOP-NetはLiDARベースのマルチタスクフレームワークで、3Dオブジェクトの検出とパノプティクスのセグメンテーションを組み合わせたものである。 AOP-Netは、nuScenesベンチマークにおける3Dオブジェクト検出とパノプティクスセグメンテーションの両タスクについて、最先端のパフォーマンスを達成している。
  論文  参考訳（メタデータ） (2023-02-02T05:31:53Z)
• GLENet: Boosting 3D Object Detectors with Generative Label Uncertainty Estimation [70.75100533512021]
  本稿では,対象物の潜在的可算有界箱の多様性として,ラベルの不確実性問題を定式化する。 本稿では,条件付き変分オートエンコーダを応用した生成フレームワークであるGLENetを提案する。 GLENetが生成するラベルの不確実性はプラグアンドプレイモジュールであり、既存のディープ3D検出器に便利に統合することができる。
  論文  参考訳（メタデータ） (2022-07-06T06:26:17Z)
• Physically Realizable Adversarial Examples for LiDAR Object Detection [72.0017682322147]
  本稿では,LiDAR検出器を騙すために,汎用な3次元対向物体を生成する手法を提案する。 特に,LiDAR検出器から車両を完全に隠蔽するために,車両の屋根上に対向物体を配置し,その成功率は80%であることを示した。 これは、限られたトレーニングデータから見知らぬ条件下での、より安全な自動運転への一歩だ。
  論文  参考訳（メタデータ） (2020-04-01T16:11:04Z)

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。