Daily Arxiv

This page organizes papers related to artificial intelligence published around the world.
This page is summarized using Google Gemini and is operated on a non-profit basis.
The copyright of the paper belongs to the author and the relevant institution. When sharing, simply cite the source.

Cheating Stereo Matching in Full-scale: Physical Adversarial Attack against Binocular Depth Estimation in Autonomous Driving

Created by
  • Haebom
Category
Empty

저자

Kangqiao Zhao, Shuo Huai, Xurui Song, Jun Luo

개요

자율 주행의 시각 인식을 위한 딥 뉴럴 모델이 적대적 예제에 취약하다는 점에 착안하여, 스테레오 기반 양안 깊이 추정에 대한 물리적 적대적 예제(PAE)의 효과를 연구합니다. 기존의 2D 패치 기반 공격과는 달리, 본 연구에서는 시각적 일관성과 스테레오 카메라의 다양한 시점에서 공격 효과를 보장하기 위해 글로벌 위장 텍스처를 가진 3D PAE를 제안합니다. 또한, 양안 시야에서 PAE가 실제 위치 및 방향에 맞춰지도록 하는 새로운 3D 스테레오 매칭 렌더링 모듈과, 대상 객체를 환경에 매끄럽게 융합하는 새로운 병합 공격을 제안합니다. 광범위한 평가를 통해 제안된 PAE가 스테레오 모델이 잘못된 깊이 정보를 생성하도록 성공적으로 속일 수 있음을 입증합니다.

시사점, 한계점

시사점:
자율 주행 시스템의 스테레오 기반 깊이 추정 모델에 대한 물리적 적대적 공격의 유효성을 최초로 입증했습니다.
3D PAE, 3D 스테레오 매칭 렌더링 모듈, 병합 공격 등 혁신적인 공격 기법을 제안하여 공격의 은밀성과 치명성을 향상시켰습니다.
자율 주행 시스템의 안전성 및 보안에 대한 새로운 위협을 제시하고, 이에 대한 방어 기술 개발의 필요성을 강조했습니다.
한계점:
공격의 일반화 가능성 및 다른 스테레오 매칭 모델에 대한 적용 가능성을 추가적으로 검증할 필요가 있습니다.
다양한 환경 조건 (조명, 날씨 등)에서의 공격 효과에 대한 연구가 필요합니다.
제안된 공격에 대한 효과적인 방어 기법 개발이 시급합니다.
👍