SkeleVision：基于多任务学习提升行人跟踪对抗鲁棒性的研究
计算机视觉与模式识别
2022-04-05 v1 机器学习
摘要
利用计算机视觉技术进行行人跟踪具有广泛应用，如自动驾驶、家庭安防与体育分析。然而，日益增加的对抗攻击威胁引发了对此类技术安全性与可靠性的严重担忧。本工作中，我们研究了在多任务学习(MTL)背景下，MTL对广泛使用的SiamRPN跟踪器在行人跟踪任务中对抗鲁棒性的影响。具体而言，我们探究了将行人跟踪与人关键点检测这两个语义相似任务联合学习的效果。我们使用更具威胁性且可物理实现的对抗攻击进行了大量实验，证明了我们方法的实用价值。基于模拟及真实世界数据集的实证研究表明，与通常仅以行人跟踪单任务训练相比，采用MTL训练始终使攻击SiamRPN跟踪器更为困难。
引用
@article{arxiv.2204.00734,
title = {SkeleVision: Towards Adversarial Resiliency of Person Tracking with Multi-Task Learning},
author = {Nilaksh Das and Sheng-Yun Peng and Duen Horng Chau},
journal= {arXiv preprint arXiv:2204.00734},
year = {2022}
}