Jul, 2024
通过探索模型后验空间来增强基于骨骼的动作识别中的对抗迁移能力
Boosting Adversarial Transferability for Skeleton-based Action
Recognition via Exploring the Model Posterior Space
TL;DR骨骼运动在人类活动识别(HAR)中发挥着关键作用。最近,攻击方法已被提出以识别基于骨骼的HAR(S-HAR)的通用易受攻击性。然而,关于S-HAR的敌对可转移性的研究还很少。存在的攻击方法在未知的S-HAR模型间难以传递。我们观察到这主要原因在于动作识别器的损失函数景观崎岖且陡峭。根据之前的研究中已建立的损失函数景观与敌对可转移性之间的相关性,我们假设并经验证,平滑损失函数景观可能会提高S-HAR上的敌对可转移性。通过提出一种新的后期训练的双贝叶斯策略实现了这一目标,该策略可以在不需要重新训练的情况下有效地探索模型后验空间的一组替代模型。此外,我们以贝叶斯方式将攻击梯度与运动动力学信息相结合,以构建沿着动作流形的敌对样本。在基准数据集(如HDM05和NTU 60)上进行评估,平均传递成功率分别可达35.9%和45.5%。与现有最先进的骨骼攻击相比,其仅达到3.6%和9.8%。高敌对可转移性在各种替代模型、受害者模型甚至防御模型之间保持一致。通过对结果的全面分析,我们提供了关于哪些替代模型更可能呈现可转移性的见解,为未来研究提供了启示。