Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

Enhancing Object Detection Robustness: Detecting and Restoring Confidence in the Presence of Adversarial Patch Attacks

Created by
  • Haebom

作者

Roie Kazoom, Raz Birman, Ofer Hadar

概要

本論文はYOLOv5オブジェクト検出モデルに対する敵対パッチ攻撃に対する防御機構を評価する。 EigenCAMとグリッドナビゲーションを使用して最適なパッチ位置を決定し、生成された最適化された敵対パッチを機密領域に配置してYOLOv5モデルのパフォーマンス低下を引き起こしました。 SAC、Inpainting、潜在拡散モデルなど、いくつかの防御技術をテストした結果、敵対的なパッチは平均検出信頼性を22.06％減少させた。防御技術のうち、SACは3.45%、Inpaintingは5.05%の信頼度を回復させ、潜在拡散モデルは26.61%の信頼性向上を見せ、もともとの精度を上回る性能を達成した。これは、潜在的な拡散モデルが敵対的なパッチ攻撃の軽減に非常に効果的であることを示唆しています。

Takeaways、Limitations

•
Takeaways：
◦
潜在拡散モデルがYOLOv5に対する敵対パッチ攻撃防御に非常に効果的であることを示した。
◦
様々な防御技術の性能比較による敵対攻撃に対する効果的な防御戦略の確立に貢献
◦
EigenCAMとグリッドナビゲーションを用いた最適な敵対パッチ配置法の提示
•
Limitations：
◦
特定のオブジェクト検出モデル（YOLOv5）と敵対的なパッチ攻撃に限定された研究の結果。
◦
実際の環境での適用性と性能に関するさらなる研究が必要
◦
潜在拡散モデルの計算コストと時間消費の考慮が必要
👍
Made with Slashpage