针对鲁棒 Transformer 跟踪器对抗攻击的可复现性研究
计算机视觉与模式识别
2024-06-05 v1
摘要
新的 Transformer 网络已被集成到目标跟踪流程中,并在最新基准测试中展现出优异性能。本文重点关注理解 Transformer 跟踪器在对抗攻击下的行为表现,以及不同攻击方法在跟踪数据集上随其参数变化的性能表现。我们进行了一系列实验,以评估现有对抗攻击对具有 Transformer 和非 Transformer 主干的目标跟踪器的有效性。我们在 7 个不同的跟踪器上进行了实验,其中 3 个基于 Transformer,4 个利用其他架构。这些跟踪器在 VOT2022ST、UAV123 和 GOT10k 数据集上针对 4 种近期攻击方法进行了测试,以评估其性能与鲁棒性。我们的实证研究侧重于评估基于边界框与二值掩码预测的目标跟踪器的对抗鲁棒性,以及不同扰动级别下的攻击方法。有趣的是,我们的研究发现,改变扰动级别可能不会显著影响攻击后的整体目标跟踪结果。同样,攻击扰动的稀疏性与不可感知性在面对扰动级别变化时也可能保持稳定。通过对所有 Transformer 跟踪器应用特定攻击,我们表明具有更强交叉注意力建模的新 Transformer 跟踪器在 VOT2022ST 和 GOT10k 等跟踪数据集上实现了更高的对抗鲁棒性。我们的结果也表明,需要新的攻击方法来有效应对最新类型的 Transformer 跟踪器。复现本研究所需的代码可在 https://github.com/fatemehN/ReproducibilityStudy 获取。
引用
@article{arxiv.2406.01765,
title = {Reproducibility Study on Adversarial Attacks Against Robust Transformer Trackers},
author = {Fatemeh Nourilenjan Nokabadi and Jean-François Lalonde and Christian Gagné},
journal= {arXiv preprint arXiv:2406.01765},
year = {2024}
}
备注
Published in Transactions on Machine Learning Research (05/2024): https://openreview.net/forum?id=FEEKR0Vl9s