LogoStyleFool：通过 Logo 风格迁移破坏视频识别系统

视频识别系统容易受到对抗样本的攻击。最近的研究表明，基于风格迁移和基于补丁的无限制扰动可以有效提高攻击效率。然而，这些攻击面临两个主要挑战：1) 向所有像素添加大型风格化扰动会降低视频的自然度，并且此类扰动很容易被检测到。2) 基于补丁的视频攻击无法扩展到目标攻击，因为近期在视频攻击中广泛使用的强化学习的搜索空间有限。在本文中，我们关注视频黑盒设置，并提出了一种名为 LogoStyleFool 的新型攻击框架，该框架通过向干净视频添加风格化 logo 来实施攻击。我们将攻击分为三个阶段：风格参考选择、基于强化学习的 logo 风格迁移和扰动优化。我们通过将扰动范围缩小到局部 logo 来解决第一个挑战，而第二个挑战则通过在强化学习之后补充优化阶段来解决。实验结果证实了 LogoStyleFool 在攻击性能和语义保留方面优于三种最先进的基于补丁的攻击。同时，面对两种现有的基于补丁的防御方法，LogoStyleFool 仍能保持其攻击性能。我们相信，我们的研究有助于引起安全社区对此类子区域风格迁移攻击的关注。