La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Projection-Based Physical Adversarial Attack for Monocular Depth Estimation Attaque adverse physique basée sur la projection pour l'estimation de la profondeur monoculaire

Renya DAIMO, Satoshi ONO

  • Vues en texte intégral

    0

  • Citer

Résumé:

L'estimation de la profondeur monoculaire s'est considérablement améliorée grâce au développement des réseaux de neurones profonds (DNN). Cependant, des études récentes ont révélé que les DNN pour l’estimation monoculaire de la profondeur contiennent des vulnérabilités qui peuvent conduire à une mauvaise estimation lorsque des perturbations sont ajoutées aux entrées. Cette étude examine si les DNN pour l'estimation de la profondeur monoculaire sont vulnérables à une mauvaise estimation lorsqu'une lumière structurée est projetée sur un objet à l'aide d'un vidéoprojecteur. À cette fin, cette étude propose une méthode d’attaque contradictoire évolutive avec un schéma d’évaluation multi-fidélité qui permet de créer des exemples contradictoires dans des conditions de boîte noire tout en supprimant le coût de calcul. Des expériences dans des scènes simulées et réelles ont montré que le modèle de lumière conçu a amené un DNN à mal estimer les objets comme s'ils s'étaient déplacés vers l'arrière.

Publication
IEICE TRANSACTIONS on Information Vol.E106-D No.1 pp.31-35
Date de publication
2023/01/01
Publicisé
2022/10/17
ISSN en ligne
1745-1361
DOI
10.1587/transinf.2022MUL0001
Type de manuscrit
Special Section LETTER (Special Section on Enriched Multimedia--Advanced Safety, Security and Convenience--)
Catégories

Auteurs

Renya DAIMO
  Kagoshima University
Satoshi ONO
  Kagoshima University

Mots-clés

Table des matières