TASAR：面向骨架动作识别的迁移式攻击
计算机视觉与模式识别
2025-02-13 v5 人工智能
摘要
骨架序列数据作为人类动作的广泛应用表示，对人类活动识别 (HAR) 至关重要。最近提出了针对该领域的对抗攻击，这暴露了潜在的安全问题，更重要的是为模型鲁棒性测试提供了良好工具。在此研究中，迁移式攻击是重要工具，因为它模拟了攻击者没有目标模型知识但仍需在实际场景中进行攻击的情况，而在骨架基方法 (S-HAR) 中却鲁磨得很少。因此，现有的 S-HAR 攻击在对抗迁移性方面表现较差，原因尚不明确。本文通过对损失函数进行表征性分析来探讨这一现象。我们发现，损失函数平滑度低是导致迁移性差的主要指标。基于这一发现，我们通过适当平滑损失函数来计算对抗样本，从而提高了迁移性。这导致了首个针对骨架动作识别的迁移式攻击，即 TASAR。TASAR 通过对预训练代理的平滑化模型后验进行探索，这是通过一种新的后训练双边优化策略实现的。此外，与现有迁移式方法不同，TASAR 纳入了序列中时间一致性，有效地破坏了 S-HAR 的空间-时间一致性。为了进行全面评估，我们构建了第一个大规模鲁棒 S-HAR 基准，包括 7 种 S-HAR 模型、10 种攻击方法、3 个 S-HAR 数据集和 2 个防御模型。大量结果表明 TASAR 的优越性。我们的基准使以后研究的比较变得轻松，代码已在 https://github.com/yunfengdiao/Skeleton-Robustness-Benchmark 提供。
引用
@article{arxiv.2409.02483,
title = {TASAR: Transfer-based Attack on Skeletal Action Recognition},
author = {Yunfeng Diao and Baiqi Wu and Ruixuan Zhang and Ajian Liu and Xiaoshuai Hao and Xingxing Wei and Meng Wang and He Wang},
journal= {arXiv preprint arXiv:2409.02483},
year = {2025}
}
备注
Accepted in ICLR 2025