MARC

 008250123s2024        us                              c    eng  d
■001000017163775
■00520250211152751
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798342117197
■035    ▼a(MiAaPQ)AAI31532249
■035    ▼a(MiAaPQ)Purdue26254682
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.13252
■1001  ▼aCheng,  Zhiyuan.
■24510▼aTowards  Secure  and  Robust  3K  Perception  in  the  Real  World:  An  Adversarial  Approach
■260    ▼a[Sl]▼bPurdue  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a198  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-04,  Section:  B.
■500    ▼aAdvisor:  Zhang,  Xiangyu;Celik,  Z.  Berkay;Li,  Pan;Zhang,  Tianyi.
■5021  ▼aThesis  (Ph.D.)--Purdue  University,  2024.
■520    ▼aThe  advent  of  advanced  machine  learning  and  computer  vision  techniques  has  led  to  the  feasibility  of  3D  perception  in  the  real  world,  which  includes  but  not  limited  to  tasks  of  monocular  depth  estimation  (MDE),  3D  object  detection,  semantic  scene  completion,  optical  flow  estimation  (OFE),  etc.  Due  to  the  3D  nature  of  our  physical  world,  these  techniques  have  enabled  various  real-world  applications  like  Autonomous  Driving  (AD),  unmanned  aerial  vehicle  (UAV),  virtual/augmented  reality  (VR/AR)  and  video  composition,  revolutionizing  the  field  of  transportation  and  entertainment.  However,  it  is  well-documented  that  Deep  Neural  Network  (DNN)  models  can  be  susceptible  to  adversarial  attacks.  These  attacks,  characterized  by  minimal  perturbations,  can  precipitate  substantial  malfunctions.  Considering  that  3D  perception  techniques  are  crucial  for  security-sensitive  applications,  such  as  autonomous  driving  systems  (ADS),  in  the  real  world,  adversarial  attacks  on  these  systems  represent  significant  threats.  As  a  result,  my  goal  of  research  is  to  build  secure  and  robust  real-world  3D  perception  systems.Through  the  examination  of  vulnerabilities  in  3D  perception  techniques  under  such  attacks,  my  dissertation  aims  to  expose  and  mitigate  these  weaknesses.  Specifically,  I  propose  stealthy  physical-world  attacks  against  MDE,  a  fundamental  component  in  ADS  and  AR/VR  that  facilitates  the  projection  from  2D  to  3D.  I  have  advanced  the  stealth  of  the  patch  attack  by  minimizing  the  patch  size  and  disguising  the  adversarial  pattern,  striking  an  optimal  balance  between  stealth  and  efficacy.  Moreover,  I  develop  single-modal  attacks  against  camera-LiDAR  fusion  models  for  3D  object  detection,  utilizing  adversarial  patches.  This  method  underscores  that  mere  fusion  of  sensors  does  not  assure  robustness  against  adversarial  attacks.  Additionally,  I  study  black-box  attacks  against  MDE  and  OFE  models,  which  are  more  practical  and  impactful  as  no  model  details  are  required  and  the  models  can  be  compromised  through  only  queries.  In  parallel,  I  devise  a  self-supervised  adversarial  training  method  to  harden  MDE  models  without  the  necessity  of  ground-truth  depth  labels.  This  enhanced  model  is  capable  of  withstanding  a  range  of  adversarial  attacks,  including  those  in  the  physical  world.  Through  these  innovative  designs  for  both  attack  and  defense,  this  research  contributes  to  the  development  of  more  secure  and  robust  3D  perception  systems,  particularly  in  the  context  of  the  real  world  applications.
■590    ▼aSchool  code:  0183.
■650  4▼aUnmanned  aerial  vehicles
■650  4▼aAutonomous  vehicles
■650  4▼aNeural  networks
■650  4▼aAerospace  engineering
■650  4▼aRobotics
■690    ▼a0800
■690    ▼a0538
■690    ▼a0771
■71020▼aPurdue  University.
■7730  ▼tDissertations  Abstracts  International▼g86-04B.
■790    ▼a0183
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17163775▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서