通过稀疏时空可逆神经网络进行视频对抗攻击

Jun, 2024

通过稀疏时空可逆神经网络进行视频对抗攻击

SVASTIN: Sparse Video Adversarial Attack via Spatio-Temporal Invertible Neural Networks

Yi Pan, Jun-Jie Huang, Zihan Chen, Wentao Zhao, Ziyue Wang

TL;DR使用稀疏对抗性视频攻击通过时空可逆神经网络在时空特征空间信息交换中生成对抗性视频，实验证明该方法比现有方法生成的对抗性示例具有更高的隐秘性和愚弄性。

Abstract

Robust and imperceptible adversarial video attack is challenging due to the spatial and temporal characteristics of videos. The existing video adversarial attack methods mainly take a gradient-based approach and generate adversarial videos with noticeable perturbations. In this paper,

adversarial video attack sparse adversarial video attack spatio-temporal feature space guided target video learning spatio-temporal invertible neural network

发现论文，激发创造

利用空间变换的稀疏对抗性视频攻击

本文提出了一种面向视频的对抗攻击策略 DeepSAVA，通过加性扰动和空间变换的统一优化框架，利用贝叶斯优化和随机梯度下降算法产生扰动，采用结构相似性指数（SSIM）测量对抗距离，使 DeepSAVA 在保持人眼无法察觉的情况下获得最先进的攻击成功率和对抗转移性能，被证明在各种类型的深度神经网络和视频数据集上具有优越性。

Nov, 2021

视频异常检测的多尺度空时交互网络

我们提出了一种多尺度时空交互网络（MSTI-Net），采用基于注意力机制的时空融合模块（ASTM）代替直接融合，并注入多个 ASTM 基础的连接，以促进所有可能的空间时间交互，最终将在多个尺度上学习的正常信息记录在内存中，在测试阶段增强异常和正常事件之间的区分。该方法在三个标准数据集上取得了良好的实验结果，UCSD Ped2 的 AUC 值达到了 96.8％，CUHK Avenue 的 AUC 值达到了 87.6％，ShanghaiTech 数据集的 AUC 值达到了 73.9％。

Jun, 2023

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

具有奇异值剪切的时间生成对抗网络

本文提出了一种生成式模型 Temporal Generative Adversarial Nets（TGAN），用于学习未标记视频的语义表示，并能够生成视频。我们的模型利用两种不同类型的生成器：时间生成器和图像生成器，解决了利用现有的基于 GAN 的方法生成视频时存在的问题。为了稳定训练，我们采用了最近提出的 Wasserstein GAN 模型，并提出了一种稳定的端到端训练方法。实验结果表明了我们方法的有效性。

Nov, 2016

基于可逆神经网络的大容量、灵活的视频隐写术

本文介绍了一种大容量和灵活的视频隐写网络 (LF-VSN)，提出了一种可逆的管道，可以通过单个神经网络隐藏 / 恢复多个秘密视频，还介绍了一种可控密钥方案，使不同的接收者能够从相同的覆盖视频中恢复特定的秘密视频。同时，为多个视频隐藏提供了可伸缩策略，可以通过单个模型和单个训练会话在覆盖视频中隐藏不同数量的秘密视频。经过广泛的实验证明，在视频隐写性能显著提高的同时，我们提出的 LF-VSN 具有高安全性，大隐藏容量和灵活性。

Apr, 2023

SViTT: 稀疏视频文本 Transformer 的时间学习

通过引入边缘稀疏性和节点稀疏性的 SViTT 稀疏视频文本架构可以以较低的成本进行多帧推理，优于朴素变压器基线，并对多个视频文本检索和问答基准进行了训练，以及在更长的片段长度下是针对模型稀疏性（sparsity）进行了培训。

Apr, 2023

使用潜空间虚拟对抗训练进行正则化

本文提出了一种名为 LVAT 的新的规则化方法，将扰动注入潜在空间以生成理解性更强的对抗样本，并在图像分类任务的超视觉和半监督学习情景中使用 SVHN 和 CIFAR-10 数据集验证其性能，证明其优于其他现有方法及 VAT。

Nov, 2020

通过针对视频的敌对时空聚焦实现有效的健壮性评估

我们提出了一种基于 AstFocus 攻击的多智能体强化学习框架，该框架同时在视频的关键帧和关键区域上进行攻击，并且通过减小搜索空间来降低查询数，使得在四种主流的视频识别模型和三个广泛使用的动作识别数据集上的结果均优于现有的最佳方法。

Jan, 2023

学习视频修复的联合时空变换

本篇论文提出了一种基于自注意力机制和空间 - 时间转换网络的视频修复方法，通过对所有输入帧进行自注意力填充缺失区域，并提出利用空间 - 时间对抗损失进行优化的方法，从而在定量和定性方面证明了该模型的优越性。

Jul, 2020

SSTA: 显著空间变形攻击

本文提出了一种新颖的框架 Salient Spatially Transformed Attack (SSTA)，用于生成不可察觉的对抗性样本（AE），通过在最关键区域上估计平滑的空间变换度量来提高 AE 的隐匿性，相比其他方法，SSTA 在保持 100% 攻击成功率的同时，有效提升了 AE 的隐匿性。

Dec, 2023