文献

J-GLOBAL ID：202202277014214080   整理番号：22A0781056

視覚ベース自律車両における運転安全性に対する敵対攻撃の評価【JST・京大機械翻訳】

Evaluating Adversarial Attacks on Driving Safety in Vision-Based Autonomous Vehicles

著者 (6件)： Zhang Jindi (Department of Computer Science, City University of Hong Kong, Hong Kong) ,  Lou Yang (Department of Computer Science, City University of Hong Kong, Hong Kong) ,  Wang Jianping (Department of Computer Science, City University of Hong Kong, Hong Kong) ,  Wu Kui (Department of Computer Science, University of Victoria, Victoria, Canada) ,  Lu Kejie (Department of Computer Science and Engineering, University of Puerto Rico at Mayagueez, Mayagueez, PR, USA) ,  Jia Xiaohua (Department of Computer Science, City University of Hong Kong, Hong Kong)
資料名： IEEE Internet of Things Journal  (IEEE Internet of Things Journal)
巻： 9  号： 5  ページ： 3443-3456  発行年： 2022年 
JST資料番号： W2432A  ISSN： 2327-4662  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 近年,多くの深層学習モデルが自律運転で採用されている。同時に,これらのモデルは自律車両の安全性を妥協する新しい脆弱性を導入する。特に,最近の研究は,敵対攻撃が深層学習ベースの3D物体検出モデルの検出精度の著しい低下を引き起こすことを示した。運転安全は自律運転の究極の関心事であるが,深い学習モデルの性能と敵対的攻撃の下での自律車両の運転安全性の間の連鎖に関する包括的な研究は存在しない。本論文では,深層学習モデルの検出精度よりも,視覚ベース自律車両の運転安全性に及ぼす,2つの一次タイプの敵対攻撃,摂動攻撃,およびパッチ攻撃の影響を調べた。特に,視覚ベースの3D物体検出における2つの最先端モデルを考察した。1)立体R-CNNと2)DSGN。運転安全を評価するために,著者らは,一連の運転安全性能計量を有するエンドツーエンド評価フレームワークを提案した。広範な評価実験の結果を解析することにより,著者らは以下のことを見出した。1)自律車両の運転安全に対する攻撃の影響および3-D物体検出器の精度に対する攻撃の影響を分離し,2)DSGNモデルは,ステレオR-CNNモデルよりも敵対攻撃に対して強いロバスト性を示した。さらに,アブレーション研究による2つの知見の背後にある原因をさらに調査した。本論文の知見は,敵対的攻撃を評価する新しい展望を提供し,自律運転における深層学習モデルの選択を導く。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 検出 ,  *視覚 ,  *安全性 ,  学習モデル ,  エンドツーエンド方式 ,  ステレオ音響 ,  三次元 ,  摂動 ,  アブレーション ,  ロバスト性 ,  機械学習 ,  *サイバー攻撃
準シソーラス用語： 自律性 ,  物体検出 ,  評価実験 ,  深層学習 , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  データ保護  (JD01020V)

タイトルに関連する用語 (6件)： 視覚 ,  自律 ,  安全性 ,  敵対 ,  攻撃 ,  評価