本文第一次提出了一种针对基于骨架的动作识别进行的对抗攻击方法CIASA，该方法使用图卷积网络对骨架图像进行建模，并通过满足多重物理约束实现对关键点的扰动，成功实现了“语义不可知”且高可转移的黑盒攻击，对时空深度学习任务具有潜在的威胁。

Sep, 2019

提出了一种名为SMART的方法，通过创新的感知损失攻击依赖于3D骨架运动的动作识别器，该方法在白盒和黑盒场景中都很有效，且具有广泛的推广性和多样性，并且证明3D骨架运动的对抗攻击与传统的对抗攻击问题存在明显的差异。

Nov, 2019

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

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

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

本文证明了在对骨骼长度进行干扰的情况下，即使在大大降低的维度下，骨骼动作识别模型也容易受到对抗攻击，并且在此设置下，骨骼长度攻击的对抗训练与数据增强具有相似的特性，既提高了对抗强度，也提高了对原始数据的分类准确率。

Sep, 2021

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。

Mar, 2022

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

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。

Jul, 2024

本研究针对骨骼动作识别（SAR）模型在物理环境中的安全漏洞进行探索，提出了物理骨骼后门攻击（PSBA）方法。该方法通过在原始骨骼数据中植入不易察觉的触发动作，导致系统在出现触发动作时将任何骨骼序列错误分类到目标类别。研究表明，PSBA在多种数据集、污染比例和模型架构下均显示出有效性，为物理攻击的实际应用提供了新的视角。

Aug, 2024