针对对抗攻击的鲁棒跟踪
计算机视觉与模式识别
2020-07-30 v2
摘要
尽管深度卷积神经网络（CNNs）易受对抗攻击，但构建抵御对抗攻击的鲁棒深度跟踪算法的努力却相当有限。当前关于对抗攻击与防御的研究主要停留于单幅图像。本工作中，我们首次尝试在视频序列上生成对抗样本以提升跟踪算法对抗对抗攻击的鲁棒性。为此，我们在逐帧估计跟踪结果上生成轻量扰动时考虑了时间运动。一方面，我们将时间扰动加入原始视频序列作为对抗样本，以大幅降低跟踪性能。另一方面，我们从输入序列中顺序估计扰动并学习消除其影响以恢复性能。我们将所提出的对抗攻击与防御方法应用于最先进的深度跟踪算法。在基准数据集上的大量评估表明，我们的防御方法不仅消除了对抗攻击造成的巨大性能下降，而且在深度跟踪器未受对抗攻击时还取得了额外的性能提升。
引用
@article{arxiv.2007.09919,
title = {Robust Tracking against Adversarial Attacks},
author = {Shuai Jia and Chao Ma and Yibing Song and Xiaokang Yang},
journal= {arXiv preprint arXiv:2007.09919},
year = {2020}
}
备注
Accepted by ECCV2020