SVASTIN: 基于时空可逆神经网络的稀疏视频对抗攻击
计算机视觉与模式识别
2024-06-05 v1
摘要
由于视频的空间和时间特征,鲁棒且不可感知的对抗视频攻击具有挑战性。现有的视频对抗攻击方法主要采用基于梯度的方法,并生成具有明显扰动的对抗视频。在本文中,我们提出了一种基于时空可逆神经网络的稀疏对抗视频攻击方法(SVASTIN),通过时空特征空间信息交换来生成对抗视频。它由一个用于平衡扰动预算和优化速度的引导目标视频学习(GTVL)模块,以及一个用于在源视频和由 GTVL 模块学习的目标特征张量之间执行时空特征空间信息交换的时空可逆神经网络(STIN)模块组成。在 UCF-101 和 Kinetics-400 上的大量实验表明,我们提出的 SVASTIN 能够生成比 SOTA 方法具有更高不可感知性和更高欺骗率的对抗样本。代码可在 \href{https://github.com/Brittany-Chen/SVASTIN}{https://github.com/Brittany-Chen/SVASTIN} 获取。
引用
@article{arxiv.2406.01894,
title = {SVASTIN: Sparse Video Adversarial Attack via Spatio-Temporal Invertible Neural Networks},
author = {Yi Pan and Jun-Jie Huang and Zihan Chen and Wentao Zhao and Ziyue Wang},
journal= {arXiv preprint arXiv:2406.01894},
year = {2024}
}