针对对抗视频的过完备表示
计算机视觉与模式识别
2021-06-16 v2 机器学习
图像与视频处理
摘要
深度神经网络的对抗鲁棒性在文献中被广泛研究，并已提出多种方法来防御对抗图像。然而，仅有少数防御方法被开发用于防御受攻击的视频。本文中，我们提出了一种新颖的用于防御对抗视频的过完备与欠完备复原网络 (OUDefend)。大多数复原网络采用编码器-解码器架构，先压缩空间维度再扩展回来。这种方法学习欠完备表示，其具有大感受野以收集全局信息但忽略了局部细节。另一方面，过完备表示具有相反的性质。因此，OUDefend 旨在通过同时学习这两种表示来平衡局部与全局特征。我们将 OUDefend 作为特征复原模块附加到目标视频识别模型上，并端到端地训练整个网络。实验结果表明，专注于图像的防御可能对视频无效，而 OUDefend 增强了对不同类型对抗视频的鲁棒性，范围涵盖加性攻击、乘性攻击到物理可实现攻击。代码：https://github.com/shaoyuanlo/OUDefend
引用
@article{arxiv.2012.04262,
title = {Overcomplete Representations Against Adversarial Videos},
author = {Shao-Yuan Lo and Jeya Maria Jose Valanarasu and Vishal M. Patel},
journal= {arXiv preprint arXiv:2012.04262},
year = {2021}
}
备注
Accepted at IEEE International Conference on Image Processing (ICIP) 2021