반응형 연구실30 [논문 리뷰] Physical 3D Adversarial Attacks against Monocular Depth Estimation in Autonomous Driving 본 논문은 2024 CVPR 에 게재된 논문이다.더보기목차AbstractIntroductionRelated WorkMonocular Depth EstimationPhysical Adversarial AttacksMethodologyProblem DefinitionGenerating Adversarial TextureExperimentsImplementation DetailsMain ResultsAblation StudyConclusion Abstract딥러닝 기반의 단안 깊이 추정(Monocular Depth Estimation, MDE)은 자율 주행에 광범위하게 적용되고 있으며, 적대적 공격에 취약한 것으로 알려져 있다. 기존의 MDE 모델에 대한 물리적 공격은 2D 적대적 패치에 의존하므로, MDE .. 2025. 5. 21. [논문 리뷰] Phantom of the ADAS: Securing Advanced Driver-Assistance Systems from Split-Second Phantom Attacks Abstract본 논문에서는 Tesla Model X (HW 2.5 & HW 3) 와 Mobileye 630 이 두 모델의 ADASs (advance driver-assistance systems) 사이의 "split-second phantom attacks" 이라는 scientific gap 에 대해서 연구한다. 아주 짧은 시간 (a few milliseconds) 동안 진짜 장애물/객체인 것처럼 보이는 깊이가 없는 물체를 다룬다. 원격에 있는 attacker 가 phantom road sign 을 광고로 embedding 해서 split-second phantom attack 을 할 수 있다. 이는 Tesla 의 autopilot 이 갑자기 차량을 road 한 가운데에 멈추도록 하고, Mobiley.. 2025. 3. 20. [Multimodal] 03. Alignment Challenge 2 : Alignment정의서로 다른 모달리티에 존재하는 여러 element 사이에 connection 을 어떻게 식별하고 모델링할 것인지를 다룬다.Sub-challengesConnections모달리티 사이에서 어떤 요소가 어떤 요소와 대응하는지 (grounding) 를 명시적으로 밝히고, 이를 구조적으로 연결하는 방법을 찾는 과제Aligned Representation연결을 기반으로, 모달리티의 정보를 하나로 통합하거나 적절히 표현(embedding) 하는 방법을 찾는 과제Segmentation모달리티 간에 개별 요소들을 얼마나 세밀하게 나눌 것인지 (분할의 granularity) 를 결정하고 처리하는 과제예를 들어, Image 에서는 픽셀 단위로 나눌 것인지, 객체 단위로 나눌 것인.. 2025. 2. 20. [Multimodal] 02. Representation Challenge 1 : Representation다른 모달리티들 간의 개별적인 요소 사이의 cross-modal 상호작용을 반영하기 위한 Challenge 이다. 앞서, 1장에서 3가지의 하위 Challenge 들이 있다고 언급했었다. 우선, Fusion 에 대해서 살펴보자.Sub-Challenge 1a: Fusion정의다양한 모달리티 간의 개별 요소들이 상호작용하는 공동 표현 (joint representation) 을 학습하는 과정목표모달리티 간의 상호작용을 효과적으로 통합하여 정보의 시너지를 극대화하는 것종류Basic Fusion정의Homogenous 한 데이터 융합예시:다중 카메라 영상 (Multi-Camera Images):모달리티 A: 정면 카메라 영상모달리티 B: 측면 카메라 영상둘 다 이.. 2025. 2. 6. 이전 1 2 3 4 ··· 8 다음 반응형
