抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
敵対例(AEs)は,深層ニューラルネットワーク(DNNs)を縮小し,最近多くの注目を集めている。しかし,AEに関する研究の大部分はディジタル領域にあり,敵対的パッチは静的であり,自律車両における交通信号認識(TSR)システムのような多くの実世界DNNアプリケーションとは非常に異なっている。TSRシステムでは,物体検出器は実時間でストリーミングビデオを処理するためにDNNを使用する。オブジェクト検出器の観点から,ビデオのトラヒック符号「位置と品質は連続的に変化し,物理世界に無効なディジタルAEをレンダリングする。本論文では,実世界物体検出器に対してロバストな物理的AEを生成する系統的パイプラインを提案した。3つの方法でロバスト性を達成した。最初に,ぼけ変換と分解能変換による画像変換の分布を拡張することによって,車内カメラをシミュレーションした。第二に,摂動訓練の効率を改善するために,単一および多重境界ボックスフィルタを設計した。第3に,著者らは,4つの代表的攻撃ベクトル,すなわち,Hiding Attack,Appearance Attack,Non-Target Attack,およびTarget Attackを考慮する。著者らは,様々な環境条件の下で包括的な一連の実験を実施し,夜間と同様に晴天および曇天における照明を考慮した。実験結果は,YOLO v5ベースのTSRシステムを攻撃するとき,著者らのパイプラインから発生する物理的AEが効果的でロバストであることを示した。攻撃は,良好な移転性を持ち,他の最先端のオブジェクト検出器を打ち消すことができる。ブランド-新2021モデル車両にHAとNTAを発射した。両攻撃は,自律車の生命を脅かすケースである,TSRシステムのフロアリングに成功した。最後に,画像前処理,AE検出,およびモデル強化に基づく3つの防御機構について議論する。【JST・京大機械翻訳】