打破时间一致性：利用图像模型生成视频通用对抗扰动
计算机视觉与模式识别
2023-11-20 v1
摘要
随着基于深度学习模型的视频分析日益普及，此类模型对对抗攻击的脆弱性正成为一个紧迫问题。特别是，通用对抗扰动 (UAP) 构成了重大威胁，因为单一扰动即可在整个人类数据集上误导深度学习模型。我们提出了一种使用图像数据和图像模型的新型视频 UAP。这使我们能够利用丰富的图像数据以及基于图像模型的研究用于视频应用。然而，存在一个挑战：图像模型在分析视频时间方面的能力有限，而这对成功的视频攻击至关重要。为应对该挑战，我们引入了打破时间一致性 (BTC) 方法，这是首次尝试利用图像模型将时间信息纳入视频攻击中。我们旨在生成与原始视频具有相反模式的对抗视频。具体而言，BTC-UAP 最小化视频中相邻帧之间的特征相似性。我们的方法简单但对未见过的视频模型攻击有效。此外，它适用于不同长度的视频且对时间平移具有不变性。我们的方法在包括 ImageNet、UCF-101 和 Kinetics-400 在内的多个数据集上的有效性超越了现有方法。
引用
@article{arxiv.2311.10366,
title = {Breaking Temporal Consistency: Generating Video Universal Adversarial Perturbations Using Image Models},
author = {Hee-Seon Kim and Minji Son and Minbeom Kim and Myung-Joon Kwon and Changick Kim},
journal= {arXiv preprint arXiv:2311.10366},
year = {2023}
}
备注
ICCV 2023