Aug, 2020

视觉目标跟踪的高效对抗攻击

PDF
TL;DR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。
visual object trackingsiamese networkadversarial examplefantargeted attack
发现论文，激发创造
  • 图像和视频对象检测的可传递对抗性攻击

    本研究提出了一种基于生成对抗网络（GAN）框架的方法，通过联合训练高级别类别损失和低级别特征损失，获得生成对抗图像和视频，并成功解决了对目标检测模型的对抗攻击中存在的二合一问题：低的迁移能力和高的计算成本。

    Nov, 2018

  • 针对视觉对象跟踪的去分心连体网络

    本文关注于学习一种能够识别语义背景干扰的 Siamese 追踪网络，提出了一种有效的训练策略和增量学习模块，同时引入局部到全局搜索策略，实现了在多个数据集上的显著表现。

    Aug, 2018

  • 基于注意力机制的视觉应用中针对物理对抗攻击的实时策略

    本文提出了一种高效的基于注意力机制的防御方法，利用对抗通道注意力快速识别和追踪浅层网络中的恶意对象，并在多帧情景中遮蔽它们的对抗影响。该方法提升了现有超激活技术在现实世界的对抗攻击中的效果，并引入了一个高效的多帧防御框架，通过广泛实验评估了其防御性能和计算成本。

    Nov, 2023

  • 冷却缩小攻击：用不可察觉的噪声使跟踪器失明

    通过训练有效和高效的扰动生成器，提出了一种冷缩攻击方法，用于欺骗最先进的 Siamese RPN-based 跟踪器，以同时冷却目标区域和强制预测边界框收缩，从而使跟踪目标无法被检测到。

    Mar, 2020

  • 适应性孪生盒网络用于视觉跟踪

    通过利用完全卷积网络的表达能力，将视觉跟踪问题视为并行分类和回归问题，避免了与候选框相关的超参数，使得 SiamBAN 更具灵活性和通用性。在包括 VOT2018、VOT2019、OTB100、NFS、UAV123 和 LaSOT 的视觉跟踪基准测试中进行了广泛实验，证明了 SiamBAN 的高效性和有效性。

    Mar, 2020

  • 对抗攻击下的稳健跟踪

    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

  • 基于孪生网络的视觉目标跟踪器匹配优化

    在本文中，我们提出了两种简单而有效的机制：角度估计和空间遮罩，以解决 Siamese 网络追踪器的旋转和背景干扰问题，并提出了一个名为 Siam-BM 的结果追踪器，它不仅显着提高了追踪性能，而且更重要的是保持了实时性。在 VOT2017 数据集上的评估表明，Siam-BM 实现了 0.335 的 EAO，这使其成为迄今为止表现最佳的实时追踪器。

    Sep, 2018

  • 仅欺骗检测不足以：首个针对多目标跟踪的对抗攻击

    本文针对自动驾驶中的视觉感知进行了对抗机器学习攻击研究，发现了一种名为 ' 追踪器劫持 ' 的新攻击技术，并证明只需要少数几帧就能够有效地欺骗物体检测中的 MOT 模型，从而在头车中引入潜在的安全隐患。

    May, 2019

  • 具有辨别性和鲁棒性的孪生视觉跟踪在线学习

    本文提出一个在线模块，带有离线 siamese 网络中的注意机制，用于提取基于 L2 误差下的目标特定特征。我们进一步提出了适应性的滤波器更新策略以处理背景噪声和模板更新策略以处理大目标形变，其在三个 siamese 基线上的持续改进中得到了显着有效性验证，并且基于 SiamRPN++ 的模型在六个受欢迎的跟踪对比基准中获得了最佳结果，可以超出实时操作。

    Sep, 2019

  • SPARK：面向视觉跟踪的空间感知在线增量攻击

    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