通过探索模型后验空间来提升骨架基动作识别的对抗性迁移性
计算机视觉与模式识别
2024-09-06 v2
摘要
骨架运动在人类活动识别（HAR）中起着关键作用。最近提出了若干方法以识别基于骨架的 HAR（S-HAR）的普遍性脆弱性。然而，关于 S-HAR 对抗性迁移性的研究仍寥寥无几。更重要的是，现有攻击方法在跨模型迁移时面临挑战。我们观察到，关键原因在于动作识别器的损失景观呈现锐利和崖状特征。基于先前研究中损失景观与对抗性迁移性之间的关联~\cite{qin2022boosting,wu2020towards}，我们假设并经验验证，通过平滑损失景观可潜在提高 S-HAR 的对抗性迁移性。这通过提出一种新的后训练双贝叶斯策略实现，该策略无需重新训练即可有效探索模型后验空间以获得一组替代模型。此外，为在运动流形上制造对抗样本，我们以贝叶斯方式将攻击梯度与运动动力学信息相结合。在评估基准数据集（如 HDM05 和 NTU 60）后，平均迁移成功率可达 35.9% 和 45.5%。与当前最先进的骨架攻击方法（分别为 3.6% 和 9.8%）相比，所得高对抗性迁移性在各种替代模型、受害模型乃至防御模型下均保持一致。通过对结果进行全面分析，我们提供了关于哪些替代模型更可能表现出迁移性的见解，以启发未来研究。
引用
@article{arxiv.2407.08572,
title = {Boosting Adversarial Transferability for Skeleton-based Action Recognition via Exploring the Model Posterior Space},
author = {Yunfeng Diao and Baiqi Wu and Ruixuan Zhang and Xun Yang and Meng Wang and He Wang},
journal= {arXiv preprint arXiv:2407.08572},
year = {2024}
}
备注
We have submitted a new version of our work at arXiv:2409.02483. This version, arXiv:2407.08572, is no longer valid. Any update for this work will be conducted in arXiv:2409.02483