面向视觉跟踪的自适应元梯度对抗样本
计算机视觉与模式识别
2025-05-15 v1
摘要
近年来，基于卷积神经网络和 Transformer 的视觉跟踪方法取得了显著的性能，并成功应用于自动驾驶等领域。然而，深度学习模型暴露出的诸多安全问题正在逐渐影响视觉跟踪方法在实际场景中可靠的应用。因此，如何通过有效的对抗攻击揭示现有视觉跟踪器的安全漏洞成为亟待解决的关键问题。为此，本文提出一种用于视觉跟踪的自适应元梯度对抗攻击 (AMGA) 方法。该方法集成了多模型集成和元学习策略，结合动量机制和高斯平滑，显著提升了对抗样本的可迁移性和攻击效果。AMGA 随机从大型模型库中选择模型，构建多样化的跟踪场景，在每个场景中迭代进行白盒和黑盒对抗攻击，优化每个模型的梯度方向。该范式最小化了白盒和黑盒对抗攻击之间的差距，从而在黑盒场景中实现卓越的攻击性能。大规模数据集上的广泛实验结果（如 OTB2015、LaSOT 和 GOT-10k）表明，AMGA 在提升对抗样本的攻击性能、可迁移性和误导性方面显著优于现有方法。代码和数据已公开于 https://github.com/pgao-lab/AMGA。
引用
@article{arxiv.2505.08999,
title = {Towards Adaptive Meta-Gradient Adversarial Examples for Visual Tracking},
author = {Wei-Long Tian and Peng Gao and Xiao Liu and Long Xu and Hamido Fujita and Hanan Aljuai and Mao-Li Wang},
journal= {arXiv preprint arXiv:2505.08999},
year = {2025}
}