IoU攻击：面向视觉目标跟踪的时间相干黑盒对抗攻击
计算机视觉与模式识别
2021-03-30 v1
摘要
对抗攻击源于深度神经网络易受注入不可感知扰动的输入样本影响的脆弱性。近来，对抗攻击已被应用于视觉目标跟踪以评估深度跟踪器的鲁棒性。在假设深度跟踪器模型结构已知的前提下，多种白盒攻击方法在视觉跟踪上已展现出良好效果。然而，在实际应用中，关于深度跟踪器的模型知识通常不可得。本文提出一种基于决策的黑盒攻击方法用于视觉目标跟踪。与现有处理图像分类静态图像的黑盒对抗攻击方法不同，我们提出IoU攻击，其依据当前与历史帧预测的IoU分数序贯生成扰动。通过降低IoU分数，所提攻击方法相应地降低了时间相干边界框（即目标运动）的精度。此外，我们将学习到的扰动迁移至后续若干帧以初始化时间运动攻击。我们在最先进的深度跟踪器（即基于检测的、基于相关滤波的以及长期跟踪器）上验证了所提IoU攻击。在基准数据集上的大量实验表明了所提IoU攻击方法的有效性。源代码见 https://github.com/VISION-SJTU/IoUattack。
引用
@article{arxiv.2103.14938,
title = {IoU Attack: Towards Temporally Coherent Black-Box Adversarial Attack for Visual Object Tracking},
author = {Shuai Jia and Yibing Song and Chao Ma and Xiaokang Yang},
journal= {arXiv preprint arXiv:2103.14938},
year = {2021}
}
备注
Accepted by CVPR2021