AAAIMar, 2022

防御黑盒基于骨架的人体活动分类器

PDF
TL;DR这篇文章介绍了一种名为 Bayesian Energy-based Adversarial Training（BEAT）的方法，它可以针对基于骨骼的人体活动识别领域普遍存在的黑盒攻击漏洞进行防御，并能够在不影响分类器准确率的前提下，提高分类器的鲁棒性。
human activity recognitionskeleton-based harbayesian energy-based adversarial training
发现论文，激发创造
  • BASAR: 骨骼动作识别黑盒攻击

    该研究提出了基于骨骼运动的黑盒对抗攻击方法 (BASAR)，通过全面的评估和比较，展示了其在不同模型、数据和攻击模式下的成功攻击能力，并揭示了骨骼运动中广泛存在的对抗样本。

    Mar, 2021

  • 贝叶斯边界校正防御黑盒分类器

    研究提出了一种新的黑盒防御框架，即贝叶斯边界校正（BBC），它可以将任何预训练的分类器变成具有弹性的分类器，具有超强的鲁棒性，且对干净数据的准确性不会产生剧烈的影响。

    Jun, 2023

  • 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

  • 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

  • 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

  • 从动作到指标：评估基于骨架的人类活动识别中的可解释 AI 方法

    本研究探讨了骨架型人类活动识别领域中的 XAI 评估指标的适用性和可靠性，并通过测试 faithfulness 和 stability 等已建立的 XAI 评估指标来解决了该领域中的一个问题。研究还引入了一种尊重人体生物力学约束的扰动方法，以确保人体运动的真实变化，发现在一些情境下 faithfulness 并不可靠，而 stability 则表现更加可信。此外，CAM 和 Grad-CAM 产生的解释几乎完全相同，导致 XAI 评估指标的性能非常相似，这需要更多多样化的指标和新的 XAI 方法应用于骨架型人类活动识别。

    Feb, 2024

  • 基于骨骼的带有噪声标签的人体动作识别

    理解人体姿势的行为对于与人类共享空间的辅助机器人来说是至关重要的，为了能够对下一次交互做出明智和安全的决策。然而，准确的时间定位和标注活动序列是耗时的，而且结果往往带有噪声。本研究通过将骨架动作识别方法与来自多个研究领域的标签去噪策略相结合，填补了这一空白，为此实施了一个框架作为初始基准。观察结果显示，这些基准在处理稀疏骨架数据时仅能提供较小的性能。因此，我们提出了一种新的方法，NoiseEraSAR，它集成了全局样本选择、共同教学和交叉模态混合专家（CM-MOE）策略，旨在减轻标签噪声的不利影响。我们的方法在已建立的基准上展示了更好的性能，树立了新的最先进标准。本研究的源代码将在此 https URL 上公开。

    Mar, 2024

  • ConvBoost: 提升用于传感器活动识别的卷积神经网络

    本文提出了 ConvBoost 框架，它是一种基于卷积神经网络的人体活动识别的结构模型，通过增加三种不同的数据增强模式，来解决训练样本不足的问题，从而对现有的卷积神经网络模型进行提升。在三个标准基准数据集上得到了显著的性能提升。

    May, 2023

  • ActiveHARNet：基于设备端深度贝叶斯主动学习的人类活动识别

    本研究提出了 ActiveHARNet，一种支持设备上增量学习和推理的资源有效的深度集成模型，该模型使用 dropout 中的 Bayesian 神经网络近似来表示模型不确定性，并结合适当的主动学习获取函数。在两个公开可用的手腕 HAR 和跌倒检测数据集上的实证结果表明，ActiveHARNet 在不同用户之间的推断效率上实现了显着的提升，并在增量学习中获得了至少 60％的数据采集减少率，从而证明了部署和增量学习的可行性。

    May, 2019