本文旨在通过在物体外部背景区域添加微小的扰动来探索单镜头模块（SSM）的漏洞，试图削弱单阶段或两阶段目标检测器中广泛使用的SSM的性能，结果表明，即使是在物体边界框之外添加微小的扰动也会严重破坏检测性能。

Sep, 2018

本文提出了使用新型残差模块和控制尺寸和步幅的新型架构的方法来增强追踪鲁棒性和准确性，并在 SiamFC 和 SiamRPN 中应用这些架构，从而获得了统计显著的相对改进。

Jan, 2019

通过研究在线视频目标跟踪，本文提出了一种新的对抗攻击任务：在线生成微小扰动来误导跟踪器沿指定或不正确的轨迹跟踪目标。为了应对这一挑战，提出了一种基于稀疏性的增量攻击方法SPARK，该方法在多个基准跟踪器上均能有效地误导跟踪器并且具有较强的可迁移性。

Oct, 2019

本文提出了一种基于视频序列的对抗攻击和防御方法，通过考虑时间运动并生成轻量级扰动，有效提高了深度跟踪算法的鲁棒性，结果表明该方法不仅能消除对抗攻击带来的大幅性能下降，同时在未受到攻击时也能获得额外的性能增益。

Jul, 2020

本文分析了基于Siamese网络的物体跟踪器的脆弱性，提出了一种名为FAN的端到端网络，使用漂移损失和嵌入特征损失来攻击Siamese网络跟踪器，并在单个GPU上具有高效的训练速度和强大的攻击性能，可以在10毫秒内生成对抗性样本，并获得有效的有针对性和非有针对性攻击。

Aug, 2020

该研究关注深度神经网络的安全性问题，着重研究针对目标检测算法的对抗攻击方法，通过生成特定的对抗补丁实现攻击，提出的两种算法均可有效地、通用地攻击最新的目标检测模型。此外，参加了阿里巴巴的天池对抗挑战，并在1701对抗团队中获得了前七名。

Oct, 2020

本篇论文提出了一种基于决策的黑盒攻击方法，名为 IoU 攻击，用于视觉对象追踪，并在深度追踪器上进行了验证。通过降低 IoU 得分，该方法降低了时间上协同边界框（即对象运动）的准确性。

Mar, 2021

本研究提出采用神经网络架构剪枝技术设计高度压缩的轻量级物体跟踪器，并提供最适合设计轻量级跟踪器的架构选择的比较研究。研究结果表明，在一定程度的压缩比下，使用 CNNs，transformers，以及两者的组合的 SOTA 跟踪器的稳定性不同，该研究为从现有 SOTA 方法中设计高效跟踪器提供了深入的见解。

Nov, 2022

通过提出一种名为DuaLossDef的额外预处理网络来应对视觉目标跟踪中的对抗攻击方法，并通过对OTB100、LaSOT和VOT2018基准进行了大量实验，证明了DuaLossDef在对抗攻击场景下具有出色的防御鲁棒性，且在将该防御网络迁移到其他跟踪器时具有可靠的可迁移性。

Feb, 2024

新的Transformer跟踪器在最新的基准测试上表现出高效能，该研究关注于理解Transformer跟踪器在对抗性攻击中的行为以及各种攻击方法在参数变化时对跟踪数据集的表现。我们的实证研究发现，攻击干扰的程度和攻击干扰的稀疏性可能在不同干扰级别的变化下保持稳定。通过对所有Transformer跟踪器应用特定攻击，我们展示了具有更强交叉注意建模的新Transformer跟踪器在跟踪数据集上具有更强的对抗鲁棒性。同时，我们的研究结果也表明需要新的攻击方法来有效应对最新类型的Transformer跟踪器。

Jun, 2024