Sep, 2019

基于骨架的人体动作识别的对抗攻击

PDF
TL;DR本文第一次提出了一种针对基于骨架的动作识别进行的对抗攻击方法 CIASA，该方法使用图卷积网络对骨架图像进行建模，并通过满足多重物理约束实现对关键点的扰动，成功实现了 “语义不可知” 且高可转移的黑盒攻击，对时空深度学习任务具有潜在的威胁。
deep learningskeleton-based action recognitionadversarial attackgraph convolutional networksciasa
发现论文，激发创造
  • 探索基于骨架动作识别的对抗性漏洞

    本研究采用深度学习技术，针对基于骨骼的动作识别的敌对性弱点进行分析，并提出了一种基于约束优化和 ADMM 的优化算法及防御机制。经过广泛评估，该方法在不同情境下具有良好的攻击及防御效果。

    May, 2020

  • 鲁棒性骨骼动作识别在对抗攻击下的理解

    文章研究了先进的行动识别器对抗性攻击的鲁棒性，并提出了一种基于 3D 骨架运动的攻击方法，该方法包含一种创新的感知丢失，保证攻击的不可察觉性，实证研究表明我们的方法对于白盒和黑盒情况均有效。

    Mar, 2021

  • 对抗性骨长攻击在动作识别中的应用

    本文证明了在对骨骼长度进行干扰的情况下，即使在大大降低的维度下，骨骼动作识别模型也容易受到对抗攻击，并且在此设置下，骨骼长度攻击的对抗训练与数据增强具有相似的特性，既提高了对抗强度，也提高了对原始数据的分类准确率。

    Sep, 2021

  • SkeletonVis：面向人体动作识别模型的对抗攻击交互可视化

    本文介绍了针对骨架人体动作识别技术面临的对抗攻击问题的解决方案 SkeletonVis，通过可视化来帮助人们了解攻击如何误导姿势检测模型做出错误预测。

    Jan, 2021

  • 基于骨骼动态信息的人体动作识别中的硬性无框对抗性攻击

    该研究证明了基于骨骼的人体活动识别方法容易受到对抗性攻击，并通过学习动作流形和定义对抗损失函数得到了一种新的梯度，称为骨骼 - 运动信息梯度。该研究提出了一种无需访问受攻击模型、训练数据或标签的攻击方法，对现有分类器构成真正的威胁，并提升了对抗样本在不同设置下的转移性和感知性。

    Aug, 2023

  • SMART：骨骼运动动作识别攻击

    提出了一种名为 SMART 的方法，通过创新的感知损失攻击依赖于 3D 骨架运动的动作识别器，该方法在白盒和黑盒场景中都很有效，且具有广泛的推广性和多样性，并且证明 3D 骨架运动的对抗攻击与传统的对抗攻击问题存在明显的差异。

    Nov, 2019

  • 基于预测编码的图卷积网络用于噪声鲁棒的基于骨架的动作识别

    本研究提出了一种骨架动作识别方法，该方法对给定骨架特征的噪声信息具有鲁棒性，通过最大化正常和噪声骨架之间的互信息以预测编码方式来训练模型，并在 NTU-RGB + D 和 Kinetics-Skeleton 数据集上进行了综合实验，结果表明该方法具有明显的性能优势。

    Mar, 2020

  • 基于骨架的动作识别的图形边缘卷积神经网络

    本文研究通过骨架数据识别人体骨骼运动的方法，提出了基于图边卷积神经网络的方法，通过对骨骼边缘的空间和时间邻居关系的探究来识别人体运动，实验结果表明该方法可以更有效地识别人体运动，且融合节点卷积和图边卷积的混合模型可以进一步提高性能。

    May, 2018

  • 基于对抗生成图卷积网络的人类动作合成

    本文提出一种名为 Kinetic-GAN 的生成对抗网络结构，利用生成对抗网络和图卷积网络综合分析人体动力学的时空动态，可以在本地和整体身体运动中对多达 120 个不同动作进行调整，从而提高样本质量和多样性，并通过潜在空间解缠和随机变化，能够合成大量的不同动作序列，超越了已有的方法。

    Oct, 2021

  • 基于卷积神经网络的基础动作识别

    本文提出了一种基于卷积神经网络的框架用于骨骼动作识别，通过自动选择重要的骨骼节点和提取时间段提案进行动作分类和检测， 在 NTU RGB + D 数据集上获得了 89.3％的验证准确性和 93.7％的 mAP。

    Apr, 2017