冷却-收缩攻击：以不可感知噪声致盲跟踪器
计算机视觉与模式识别
2020-03-24 v1
摘要
对 CNN 的对抗攻击旨在通过向图像添加不可感知扰动来欺骗模型使其出错。该特性有助于深入理解神经网络并提升深度学习模型的鲁棒性。尽管若干工作已聚焦于攻击图像分类器与目标检测器，仍以无模型方式有效且高效地攻击任意目标的单目标跟踪器的方法尚缺。本文提出一种冷却-收缩攻击方法以欺骗基于 SiameseRPN 的最先进跟踪器。一个有效且高效的扰动生成器经精心设计的对抗损失训练，可同时冷却热力图上目标所在的热区并迫使预测边界框收缩，使被跟踪目标对跟踪器不可见。在 OTB100、VOT2018 与 LaSOT 数据集上的大量实验表明，我们的方法可通过向模板或搜索区域添加微小扰动有效愚弄最先进的 SiameseRPN++ 跟踪器。此外，我们的方法具有良好的迁移性，能够欺骗其他顶级性能跟踪器如 DaSiamRPN、DaSiamRPN-UpdateNet 与 DiMP。源代码见 https://github.com/MasterBin-IIAU/CSA。
引用
@article{arxiv.2003.09595,
title = {Cooling-Shrinking Attack: Blinding the Tracker with Imperceptible Noises},
author = {Bin Yan and Dong Wang and Huchuan Lu and Xiaoyun Yang},
journal= {arXiv preprint arXiv:2003.09595},
year = {2020}
}
备注
CVPR2020