题目: Physically Realizable Adversarial Examples for LiDAR Object Detection

摘要:

现代自主驾驶系统严重依赖深度学习模型来处理点云感知数据;与此同时,深层模型已经被证明容易受到带有视觉上难以察觉的干扰的对抗攻击。尽管这给自动驾驶行业带来了安全隐患,但在3D感知方面却鲜有探索,因为大多数对抗攻击只适用于2D平面图像。本文针对这一问题,提出了一种生成通用三维对抗对象的方法来欺骗激光雷达探测器。特别地,我们证明了在任何目标车辆的车顶放置一个对抗性物体来完全隐藏车辆不被激光雷达探测器发现,成功率为80%。我们使用点云的各种输入表示来报告一组检测器上的攻击结果。我们还利用数据扩充进行了对抗防御的初步研究。从有限的训练数据来看,这是朝着在不可见条件下更安全的自动驾驶又迈进了一步。

成为VIP会员查看完整内容
0
13

相关内容

自动驾驶汽车,又称为无人驾驶汽车、电脑驾驶汽车或轮式移动机器人,是自动化载具的一种,具有传统汽车的运输能力。作为自动化载具,自动驾驶汽车不需要人为操作即能感测其环境及导航。完全的自动驾驶汽车仍未全面商用化,大多数均为原型机及展示系统,部分可靠技术才下放至商用车型,但有关于自驾车逐渐成为现实,已经引起了很多有关于道德的讨论。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等

题目: Continual Learning of Object Instances

摘要: 我们建议实例持续学习——一种将持续学习的概念应用于区分相同对象类别的实例的任务的方法。我们特别关注car对象,并通过度量学习逐步学会区分car实例与其他实例。我们从评估当前的技术开始我们的论文。在现有的方法中,灾难性遗忘是显而易见的,我们提出了两个补救措施。首先,通过归一化交叉熵对度量学习进行正则化。其次,我们使用合成数据传输来扩充现有的模型。我们在三个大型数据集上进行了大量的实验,使用了两种不同的体系结构,采用了五种不同的持续学习方法,结果表明,标准化的交叉熵和合成转移可以减少现有技术中的遗忘。

成为VIP会员查看完整内容
0
21

主题: Exploring Categorical Regularization for Domain Adaptive Object Detection

摘要: 在本文中,我们解决了域自适应对象检测问题,其中主要挑战在于源域和目标域之间的显着域间隙。先前的工作试图使图像级别和实例级别的转换明确对齐,以最终将域差异最小化。但是,它们仍然忽略了跨域匹配关键图像区域和重要实例,这将严重影响域偏移缓解。在这项工作中,我们提出了一个简单但有效的分类正则化框架来缓解此问题。它可以作为即插即用组件应用于一系列领域自适应快速R-CNN方法,这些方法在处理领域自适应检测方面非常重要。具体地,通过将​​图像级多标签分类器集成到检测主干上,由于分类方式的定位能力较弱,我们可以获得与分类信息相对应的稀疏但至关重要的图像区域。同时,在实例级别,我们利用图像级别预测(通过分类器)和实例级别预测(通过检测头)之间的分类一致性作为规则化因子,以自动寻找目标域的硬对齐实例。各种域移位方案的大量实验表明,与原始的域自适应快速R-CNN检测器相比,我们的方法获得了显着的性能提升。此外,定性的可视化和分析可以证明我们的方法参加针对领域适应的关键区域/实例的能力。

成为VIP会员查看完整内容
0
32

主题: Weakly-Supervised Salient Object Detection via Scribble Annotations

摘要: 与费力的逐像素密集标记相比,这种方法更容易通过涂抹来标记数据,仅花费1-2秒即可标记一张图像。然而,尚未有人探索使用可划线标签来学习显着物体检测。在本文中,我们提出了一种弱监督的显着物体检测模型,以从此类注释中学习显着性。为此,我们首先使用乱码对现有的大型显着物体检测数据集进行重新标记,即S-DUTS数据集。由于对象的结构和详细信息不能通过乱写识别,因此直接训练带有乱写的标签将导致边界位置局限性的显着性图。为了缓解这个问题,我们提出了一个辅助的边缘检测任务来明确地定位对象边缘,并提出了门控结构感知损失以将约束置于要恢复的结构范围上。此外,我们设计了一种涂鸦增强方案来迭代地整合我们的涂鸦注释,然后将其作为监督来学习高质量的显着性图。我们提出了一种新的度量标准,称为显着性结构测量,用于测量预测显着性图的结构对齐方式,这与人类的感知更加一致。在六个基准数据集上进行的大量实验表明,我们的方法不仅优于现有的弱监督/无监督方法,而且与几种完全监督的最新模型相提并论。

成为VIP会员查看完整内容
0
32

Despite huge success in the image domain, modern detection models such as Faster R-CNN have not been used nearly as much for video analysis. This is arguably due to the fact that detection models are designed to operate on single frames and as a result do not have a mechanism for learning motion representations directly from video. We propose a learning procedure that allows detection models such as Faster R-CNN to learn motion features directly from the RGB video data while being optimized with respect to a pose estimation task. Given a pair of video frames---Frame A and Frame B---we force our model to predict human pose in Frame A using the features from Frame B. We do so by leveraging deformable convolutions across space and time. Our network learns to spatially sample features from Frame B in order to maximize pose detection accuracy in Frame A. This naturally encourages our network to learn motion offsets encoding the spatial correspondences between the two frames. We refer to these motion offsets as DiMoFs (Discriminative Motion Features). In our experiments we show that our training scheme helps learn effective motion cues, which can be used to estimate and localize salient human motion. Furthermore, we demonstrate that as a byproduct, our model also learns features that lead to improved pose detection in still-images, and better keypoint tracking. Finally, we show how to leverage our learned model for the tasks of spatiotemporal action localization and fine-grained action recognition.

0
3
下载
预览
小贴士
相关VIP内容
相关论文
Object detection on aerial imagery using CenterNet
Dheeraj Reddy Pailla,Varghese Kollerathu,Sai Saketh Chennamsetty
6+阅读 · 2019年8月22日
Adversarial Objects Against LiDAR-Based Autonomous Driving Systems
Yulong Cao,Chaowei Xiao,Dawei Yang,Jing Fang,Ruigang Yang,Mingyan Liu,Bo Li
5+阅读 · 2019年7月11日
Applying Faster R-CNN for Object Detection on Malaria Images
Jane Hung,Deepali Ravel,Stefanie C. P. Lopes,Gabriel Rangel,Odailton Amaral Nery,Benoit Malleret,Francois Nosten,Marcus V. G. Lacerda,Marcelo U. Ferreira,Laurent Rénia,Manoj T. Duraisingh,Fabio T. M. Costa,Matthias Marti,Anne E. Carpenter
4+阅读 · 2019年3月11日
Learning Discriminative Motion Features Through Detection
Gedas Bertasius,Christoph Feichtenhofer,Du Tran,Jianbo Shi,Lorenzo Torresani
3+阅读 · 2018年12月11日
Convolutional Neural Networks for Aerial Multi-Label Pedestrian Detection
Amir Soleimani,Nasser M. Nasrabadi
11+阅读 · 2018年7月16日
Felix Kreuk,Assi Barak,Shir Aviv-Reuven,Moran Baruch,Benny Pinkas,Joseph Keshet
4+阅读 · 2018年5月13日
Pengkai Zhu,Hanxiao Wang,Tolga Bolukbasi,Venkatesh Saligrama
5+阅读 · 2018年3月19日
Martin Simon,Stefan Milz,Karl Amende,Horst-Michael Gross
3+阅读 · 2018年3月16日
Nils Bore,Patric Jensfelt,John Folkesson
6+阅读 · 2018年1月28日
Top
微信扫码咨询专知VIP会员