跨范式局部人群计数中的生成对抗性扰动
计算机视觉与模式识别
2026-03-27 v1 人工智能
摘要
最先进的人群计数和定位主要基于两种范式：密度图和点回归。鉴于该领域的安全性影响，针对对抗攻击的模型鲁棒性积极关注。近期研究表明，通过对抗性补丁可实现密度图方法之间的迁移，但跨范式攻击（即跨密度图方法和点回归方法）尚未探索。我们引入新型对抗框架，通过综合多任务损失优化同时破坏密度图和点回归架构范式。对于点回归模型，我们采用场景密度特定的高置信度逻辑抑制；对于密度图方法，我们使用峰值靶向密度图抑制。两者结合模型中性感知约束，以确保扰动有效且对人眼不可见。大量实验表明，攻击有效，平均 MAE 增加约 7 倍，保持竞争视觉质量，并成功在七个最先进人群模型上实现跨范式迁移，迁移比例范围为 0.55 到 1.69。该方法在攻击有效性和不可见性之间达到平衡。源代码地址：https://github.com/simurgh7/CrowdGen
引用
@article{arxiv.2603.24821,
title = {Generative Adversarial Perturbations with Cross-paradigm Transferability on Localized Crowd Counting},
author = {Alabi Mehzabin Anisha and Guangjing Wang and Sriram Chellappan},
journal= {arXiv preprint arXiv:2603.24821},
year = {2026}
}
备注
Accepted at CVPR 2026 Main Conference