LRR：抵御对抗性跟踪攻击的语言驱动可重采样连续表示
计算机视觉与模式识别
2024-04-10 v1
摘要
视觉目标跟踪在基于视觉的自主系统中起着至关重要的作用，其旨在估计实时视频中感兴趣目标的位置和大小。尽管该领域取得了重大进展，但最先进的跟踪器在面对输入帧中的对抗性扰动时往往会失效。当这些跟踪器被部署到现实世界中时，这可能导致严重的鲁棒性和安全性问题。为了在干净数据和对抗性数据上均实现高精度，我们提议利用感兴趣目标的语义文本指导来构建时空连续表示。这种新颖的连续表示使我们能够重建输入帧，以保持与感兴趣目标及其干净对应物在语义和外观上的一致性。因此，我们提出的方法成功抵御了不同的最先进对抗性跟踪攻击，同时在干净数据上保持了高精度。具体而言，我们的方法显著提高了对抗攻击下的跟踪精度，在 UAV123 上实现了约 90% 的相对提升，甚至高于干净数据上的精度。
引用
@article{arxiv.2404.06247,
title = {LRR: Language-Driven Resamplable Continuous Representation against Adversarial Tracking Attacks},
author = {Jianlang Chen and Xuhong Ren and Qing Guo and Felix Juefei-Xu and Di Lin and Wei Feng and Lei Ma and Jianjun Zhao},
journal= {arXiv preprint arXiv:2404.06247},
year = {2024}
}