通过对抗攻击欺骗运动预测神经网络
计算机视觉与模式识别
2024-03-12 v2 人工智能
摘要
人体运动预测仍是一个未决问题，对于自动驾驶和安全应用至关重要。尽管该领域已取得巨大进展，但被广泛研究的对抗攻击主题尚未应用于人体运动预测中的多回归模型，如 GCN 和基于 MLP 的架构。本工作旨在通过在类似对抗攻击在图像分类初期阶段的先进架构上进行广泛的定量和定性实验，来缩小这一差距。结果表明，即使在低水平的扰动下，模型也易受攻击。我们还展示了影响模型性能的 3D 变换实验，特别是表明大多数模型对不改变关节距离的简单旋转和平移敏感。我们得出结论，与早期的 CNN 模型类似，运动预测任务易受小扰动和简单 3D 变换的影响。
引用
@article{arxiv.2403.04954,
title = {Fooling Neural Networks for Motion Forecasting via Adversarial Attacks},
author = {Edgar Medina and Leyong Loh},
journal= {arXiv preprint arXiv:2403.04954},
year = {2024}
}
备注
11 pages, 8 figures, VISSAP 2024