基于骨架运动信息梯度的无硬盒对抗攻击：面向骨架人体动作识别

近来，基于骨架的人体活动识别方法已被证明易受对抗攻击。然而，这些攻击方法要么需要受害者的全部知识（即白盒攻击），要么需要访问训练数据（即基于迁移的攻击），要么需要频繁的模型查询（即黑盒攻击）。它们的要求都极具限制性，从而引发了对该漏洞危害程度之疑问。在本文中，我们表明该漏洞确实存在。为此，我们考虑一种新的攻击任务：攻击者无法访问受害者模型或训练数据或标签，我们称之为硬无盒攻击（hard no-box attack）。具体而言，我们首先学习一个运动流形，在其中定义对抗损失以计算用于攻击的新梯度，命名为骨架运动信息（SMI）梯度。我们的梯度包含运动动力学信息，这与现有基于梯度的攻击方法假设数据中各维度相互独立来计算损失梯度不同。SMI 梯度可增强许多基于梯度的攻击方法，从而产生一类新的无盒攻击方法。广泛的评估与比较表明，我们的方法对现有分类器构成了真实威胁。它们还表明，在無盒和基于迁移的黑盒设置下，SMI 梯度提升了对抗样本的可迁移性与不可感知性。