IoUattack复现

最新推荐文章于 2024-07-27 12:20:46 发布
最新推荐文章于 2024-07-27 12:20:46 发布
阅读量137 收藏
点赞数
文章标签： python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_45930980/article/details/127802769
版权

原代码地址：

GitHub - VISION-SJTU/IoUattack: [CVPR2021] IoU Attack: Towards Temporally Coherent Black-Box Adversarial Attack for Visual Object Tracking

1.test_original

数据集报错处理：

每个类设置为，如siamrpn_r50_l234_dwxcorr/ants1/color/00000001.jpg

no module named pysot:

官方方法：

export PYTHONPATH=path/to/pysot

sys方法：

将pysot所在的父文件夹（pysot-master）,用sys进行导入，即

import sys

sys.path.append('/media/blingbling/store/code/pysot-master')

终端输入语句：

cd ../experiments/siamrpn_r50_l234_dwxcorr

python -u ../../tools/test_original.py --snapshot model.pth  --dataset VOT2018  --config config.yaml

ValueError: operands could not be broadcast together with shapes (3125,) (2205,):

 原因：修改了config文件中的batch size,只修改了一个，导致不匹配，改回原来的数字即可

输出结果：

(  1) Video: ants1        Time: 70.6s Speed: 4.6fps Lost: 0
(  2) Video: ants3        Time: 136.0s Speed: 4.3fps Lost: 1
(  3) Video: bag          Time: 47.1s Speed: 4.1fps Lost: 0
(  4) Video: ball1        Time: 24.3s Speed: 4.3fps Lost: 0
(  5) Video: ball2        Time:  9.4s Speed: 4.3fps Lost: 0
(  6) Video: basketball   Time: 168.1s Speed: 4.3fps Lost: 1
(  7) Video: birds1       Time: 79.1s Speed: 4.3fps Lost: 0
(  8) Video: blanket      Time: 51.4s Speed: 4.4fps Lost: 1
(  9) Video: bmx          Time: 17.7s Speed: 4.2fps Lost: 0
( 10) Video: bolt1        Time: 81.6s Speed: 4.3fps Lost: 0
( 11) Video: bolt2        Time: 66.5s Speed: 4.4fps Lost: 1
( 12) Video: book         Time: 39.2s Speed: 4.4fps Lost: 1
( 13) Video: butterfly    Time: 34.8s Speed: 4.3fps Lost: 0
( 14) Video: car1         Time: 171.8s Speed: 4.3fps Lost: 0
( 15) Video: conduction1  Time: 82.9s Speed: 4.1fps Lost: 0
( 16) Video: crabs1       Time: 35.2s Speed: 4.5fps Lost: 3
( 17) Video: crossing     Time: 29.5s Speed: 4.4fps Lost: 0
( 18) Video: dinosaur     Time: 90.8s Speed: 3.6fps Lost: 2
( 19) Video: drone1       Time: 83.0s Speed: 4.3fps Lost: 3
( 20) Video: drone_across Time: 36.6s Speed: 4.0fps Lost: 0
( 21) Video: drone_flip   Time: 24.4s Speed: 4.6fps Lost: 2
( 22) Video: fernando     Time: 67.8s Speed: 4.3fps Lost: 2
( 23) Video: fish1        Time: 91.7s Speed: 4.0fps Lost: 1
( 24) Video: fish2        Time: 72.6s Speed: 4.3fps Lost: 1
( 25) Video: fish3        Time: 123.8s Speed: 4.2fps Lost: 0
( 26) Video: flamingo1    Time: 322.0s Speed: 4.3fps Lost: 2
( 27) Video: frisbee      Time: 57.2s Speed: 4.3fps Lost: 1
( 28) Video: girl         Time: 351.5s Speed: 4.3fps Lost: 2
( 29) Video: glove        Time: 27.0s Speed: 4.4fps Lost: 1
( 30) Video: godfather    Time: 84.9s Speed: 4.3fps Lost: 1
( 31) Video: graduate     Time: 200.3s Speed: 4.2fps Lost: 0
( 32) Video: gymnastics1  Time: 131.2s Speed: 4.3fps Lost: 0
( 33) Video: gymnastics2  Time: 55.4s Speed: 4.3fps Lost: 0
( 34) Video: gymnastics3  Time: 26.1s Speed: 4.5fps Lost: 1
( 35) Video: hand         Time: 60.6s Speed: 4.4fps Lost: 1
( 36) Video: handball1    Time: 85.0s Speed: 4.4fps Lost: 2
( 37) Video: handball2    Time: 92.4s Speed: 4.3fps Lost: 3
( 38) Video: helicopter   Time: 155.0s Speed: 4.6fps Lost: 1
( 39) Video: iceskater1   Time: 150.6s Speed: 4.4fps Lost: 0
( 40) Video: iceskater2   Time: 156.9s Speed: 4.5fps Lost: 1
( 41) Video: leaves       Time: 12.1s Speed: 5.1fps Lost: 2
( 42) Video: matrix       Time: 21.8s Speed: 4.5fps Lost: 0
( 43) Video: motocross1   Time: 35.0s Speed: 4.7fps Lost: 1
( 44) Video: motocross2   Time: 13.2s Speed: 4.6fps Lost: 0
( 45) Video: nature       Time: 219.8s Speed: 4.5fps Lost: 3
( 46) Video: pedestrian1  Time: 30.4s Speed: 4.6fps Lost: 0
( 47) Video: rabbit       Time: 33.4s Speed: 4.7fps Lost: 3
( 48) Video: racing       Time: 34.9s Speed: 4.4fps Lost: 0
( 49) Video: road         Time: 120.4s Speed: 4.6fps Lost: 0
( 50) Video: shaking      Time: 78.6s Speed: 4.6fps Lost: 0
( 51) Video: sheep        Time: 54.0s Speed: 4.6fps Lost: 0
( 52) Video: singer2      Time: 79.1s Speed: 4.6fps Lost: 0
( 53) Video: singer3      Time: 28.2s Speed: 4.6fps Lost: 0
( 54) Video: soccer1      Time: 82.4s Speed: 4.7fps Lost: 3
( 55) Video: soccer2      Time: 26.7s Speed: 4.8fps Lost: 1
( 56) Video: soldier      Time: 28.8s Speed: 4.8fps Lost: 1
( 57) Video: tiger        Time: 77.9s Speed: 4.7fps Lost: 0
( 58) Video: traffic      Time: 42.4s Speed: 4.5fps Lost: 0
( 59) Video: wiper        Time: 71.6s Speed: 4.7fps Lost: 1
( 60) Video: zebrafish1   Time: 85.3s Speed: 4.7fps Lost: 0
SiamRPN++(Original) total lost: 50

共丢50个，每类最多丢3个；

2.test_IoU attack

(  1) Video: ants1        Time: 1991.0s Speed: 0.2fps Lost: 11
(  2) Video: ants3        Time: 4093.5s Speed: 0.1fps Lost: 14
(  3) Video: bag          Time: 297.1s Speed: 0.7fps Lost: 0
(  4) Video: ball1        Time: 806.6s Speed: 0.1fps Lost: 5
(  5) Video: ball2        Time: 371.9s Speed: 0.1fps Lost: 1
(  6) Video: basketball   Time: 1740.3s Speed: 0.4fps Lost: 4
(  7) Video: birds1       Time: 2429.5s Speed: 0.1fps Lost: 15
(  8) Video: blanket      Time: 518.2s Speed: 0.4fps Lost: 0
(  9) Video: bmx          Time: 519.0s Speed: 0.1fps Lost: 0
( 10) Video: bolt1        Time: 2067.8s Speed: 0.2fps Lost: 1
( 11) Video: bolt2        Time: 1007.9s Speed: 0.3fps Lost: 3
( 12) Video: book         Time: 1447.2s Speed: 0.1fps Lost: 7
( 13) Video: butterfly    Time: 1338.7s Speed: 0.1fps Lost: 1
( 14) Video: car1         Time: 2985.2s Speed: 0.2fps Lost: 1
( 15) Video: conduction1  Time: 1843.3s Speed: 0.2fps Lost: 2
( 16) Video: crabs1       Time: 883.9s Speed: 0.2fps Lost: 6
( 17) Video: crossing     Time: 297.2s Speed: 0.4fps Lost: 0
( 18) Video: dinosaur     Time: 2375.0s Speed: 0.1fps Lost: 4
( 19) Video: drone1       Time: 2950.2s Speed: 0.1fps Lost: 12
( 20) Video: drone_across Time: 1183.5s Speed: 0.1fps Lost: 2
( 21) Video: drone_flip   Time: 813.9s Speed: 0.1fps Lost: 4
( 22) Video: fernando     Time: 1579.9s Speed: 0.2fps Lost: 3
( 23) Video: fish1        Time: 1277.3s Speed: 0.3fps Lost: 2
( 24) Video: fish2        Time: 2047.2s Speed: 0.2fps Lost: 3
( 25) Video: fish3        Time: 2010.5s Speed: 0.3fps Lost: 0
( 26) Video: flamingo1    Time: 11976.6s Speed: 0.1fps Lost: 2
( 27) Video: frisbee      Time: 2531.8s Speed: 0.1fps Lost: 5
( 28) Video: girl         Time: 4417.5s Speed: 0.3fps Lost: 4
( 29) Video: glove        Time: 469.2s Speed: 0.3fps Lost: 3
( 30) Video: godfather    Time: 1152.9s Speed: 0.3fps Lost: 2
( 31) Video: graduate     Time: 3731.1s Speed: 0.2fps Lost: 5
( 32) Video: gymnastics1  Time: 3416.4s Speed: 0.2fps Lost: 2
( 33) Video: gymnastics2  Time: 884.7s Speed: 0.3fps Lost: 1
( 34) Video: gymnastics3  Time: 728.1s Speed: 0.2fps Lost: 2
( 35) Video: hand         Time: 1944.3s Speed: 0.1fps Lost: 12
( 36) Video: handball1    Time: 1598.9s Speed: 0.2fps Lost: 6
( 37) Video: handball2    Time: 1729.0s Speed: 0.2fps Lost: 7
( 38) Video: helicopter   Time: 2288.9s Speed: 0.3fps Lost: 2
( 39) Video: iceskater1   Time: 4523.5s Speed: 0.1fps Lost: 0
( 40) Video: iceskater2   Time: 4223.2s Speed: 0.2fps Lost: 2
( 41) Video: leaves       Time: 380.0s Speed: 0.2fps Lost: 4
( 42) Video: matrix       Time: 529.2s Speed: 0.2fps Lost: 3
( 43) Video: motocross1   Time: 1161.4s Speed: 0.1fps Lost: 1
( 44) Video: motocross2   Time: 274.3s Speed: 0.2fps Lost: 0
( 45) Video: nature       Time: 2568.5s Speed: 0.4fps Lost: 3
( 46) Video: pedestrian1  Time: 1126.5s Speed: 0.1fps Lost: 1
( 47) Video: rabbit       Time: 727.0s Speed: 0.2fps Lost: 8
( 48) Video: racing       Time: 181.0s Speed: 0.9fps Lost: 0
( 49) Video: road         Time: 1769.4s Speed: 0.3fps Lost: 1
( 50) Video: shaking      Time: 921.1s Speed: 0.4fps Lost: 0
( 51) Video: sheep        Time: 532.9s Speed: 0.5fps Lost: 0
( 52) Video: singer2      Time: 662.4s Speed: 0.6fps Lost: 0
( 53) Video: singer3      Time: 325.0s Speed: 0.4fps Lost: 2
( 54) Video: soccer1      Time: 2030.0s Speed: 0.2fps Lost: 5
( 55) Video: soccer2      Time: 957.6s Speed: 0.1fps Lost: 10
( 56) Video: soldier      Time: 267.6s Speed: 0.5fps Lost: 2
( 57) Video: tiger        Time: 1730.7s Speed: 0.2fps Lost: 2
( 58) Video: traffic      Time: 632.7s Speed: 0.3fps Lost: 0
( 59) Video: wiper        Time: 984.2s Speed: 0.3fps Lost: 2
( 60) Video: zebrafish1   Time: 2535.9s Speed: 0.2fps Lost: 4
SiamRPN++(IoU_attack) total lost: 204

共丢204个，最多丢15个。

qq_45930980
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
ubuntu16.04下如何训练PySOT(四)：训练、测试、运行demo、评估
qq_28503457的博客
10-13 2969
下载预训练模型 从 Google Drive 下载，将预训练模型复制到pretrained_models 文件夹中 训练 在tools目录下打开终端，输入以下命令，即开始训练。 CUDA_VISIBLE_DEVICES=0 python -m torch.distributed.launch \ --nproc_per_node=1 \ --master_port=2333 \ train.py --cfg experiments/siamrpn_r50_l234_dw..
IoUattack:[CVPR2021] IoU攻击
04-01
攻击 :herb: 帅佳，宋一冰，马超和杨小康 IEEE / CVF计算机视觉和模式识别（CVPR）会议，2021年。 介绍 我们观察到，噪声水平的提高与IoU得分的降低呈正相关，但它们的方向并不完全相同。 我们的Io​​U攻击力求在每次迭代的IoU分数相同的轮廓线上注入最低量的噪声扰动。 我们分别选择了三个具有不同结构的代表性跟踪器，分别是SiamRPN ++ ， DiMP和LTMU 。 结果 SiamRPN ++在多个数据集上的结果 VOT2019 A / R / EAO VOT2018 A / R / EAO VOT2016 A / R / EAO VOT2018lt F分数 OTB2015 OP / DP NFS30 OP / DP SiamRPN ++ 0.596 / 0.472 / 0.287 0.602 / 0.239 / 0.413 0.643 / 0.20
IOU原理详解代码复现 python numpy/pytorch
一个学长的博客
10-14 2227
IOU就是两个图像的交并比，这是一个图像检测中很重要的概念，想要构建YOLO系列的目标检测对应函数，就必须要先写一个计算交并比的程序，什么是交并比，就是两个图像交集的面积比上并集的面积，如果用下面的图来举例子的话。IOU=S1​+S2​−S3​S3​​由于目标检测的过程中我们大部分用的都是矩形框，根据算法我们都是知道两个矩形的左上角点的坐标和矩形的高和宽。
NMS和几种IOU的复现
_liuzt的博客
03-16 1061
NMS和几种IOU的复现 输入为一张图片以及图片经过Yolo v3的推理结果,下载链接,提取码ha4o。 NMS的实现参考的yolo v3，在细节上做了一些优化 实现了iou，giou，diou，ciou的计算 import cv2 import numpy as np import random import torch import math def bbox_giou(box1, box2): """ Returns the GIoU of two bounding boxe
随记（6）：CVPR2021关于Tracking的论文速读(1)-12篇
qq_37662375的博客
12-15 2890
写在前面：结构都是论文做了什么、怎样做的、以及为什么要这样做 正文 Alpha-Refine 1.做了一个即插即用的模块，可直接添加到现有的跟踪器上，精细box 2.论文认为对于一个跟踪器box的精细化很重要，但现有方法做不到这点 3.提出精细化的关键是尽可能多地提取和维护详细的空间信息。所以采用逐像素相关、角点预测头和辅助掩码作为核心部件设计了一个模块。 CapsuleRRT 1.用胶囊网络做回归跟踪 2.提出胶囊网络更易建模跟踪目标各部分之间的关系，就是说遮...
【跟踪器攻击】IOU Attack 代码解读
prinTao的博客
11-20 118
提出了 IoU 攻击，它根据当前帧和历史帧的预测 IoU 分数顺序生成扰动。通过降低 IoU 分数，所提出的攻击方法相应地降低了时间相干边界框（即对象运动）的准确性。此外，我们将学习到的扰动转移到接下来的几帧以初始化时间运动攻击。我们在最先进的深度跟踪器（即基于检测、基于相关滤波器和长期跟踪器）上验证了提议的 IoU 攻击。对基准数据集的大量实验表明了所提出的 IoU 攻击方法的有效性。源代码可在此 https URL 处获得。
CVPR 2021 | 腾讯AI Lab入选论文解读
腾讯AI实验室
03-30 1821
感谢阅读腾讯 AI Lab 微信号第122篇文章。本文将解读腾讯 AI Lab 入选 CVPR 2021 的13篇论文。CVPR（Conference on Computer Vision...
论文复现-深度补全算法
03-10
1、传统深度不全算法复现 2、详细内容可见：https://blog.csdn.net/qq_43627520/article/details/123344654?spm=1001.2014.3001.5502 3、复现代码可直接运行、包含有测试用例、以及验证代码
numpy复现xgboost算法内含数据集
10-16
本主题将深入探讨如何使用基础的NumPy库来复现XGBoost算法的核心概念，这对于理解其工作原理和进行性能优化非常有帮助。 XGBoost全称为“Extreme Gradient Boosting”，它是在梯度提升框架下实现的一种集成学习方法...
漏洞复现是什么.txt
01-31
漏洞复现
numpy复现lightGBM算法内含数据集
10-16
本压缩包文件"numpy复现lightGBM算法内含数据集"旨在通过Python的numpy库来复现LightGBM的核心功能，帮助理解其工作原理并提供实践操作的机会。 首先，LightGBM的主要特点包括： 1. **叶子权重排序**：传统的GBDT...
【论文阅读】Black-box Adversarial Attacks on Commercial Speech Platforms with Minimal Information
Porkia的博客
09-27 862
直到最近几年，针对商业黑盒语音平台（包括云语音 API 和语音控制设备）的对抗性攻击才受到关注。构建此类攻击很困难，主要是由于时域语音信号的独特特性和声学系统结构复杂得多。当前的“黑盒”攻击都严重依赖于预测/置信度分数或其他概率信息的知识来制作有效的对抗性示例（AE），服务提供商可以直观地进行防御而无需返回这些消息。在本文中，我们更进一步，在更实际和更严格的场景中提出了两种新颖的对抗性攻击。对于商业云语音 API，我们提出了 Occam，这是一种仅决策的黑盒对抗性攻击，对手只有最终决策可用。
忽视警告_忽视针对神经网络的网络攻击
weixin_26722031的博客
08-31 2465
忽视警告Artificial neural networks can be thought of as computed biological neural networks. Is it possible to perceive an object as something it is not? If our perception of the outside world is an inter...
CVPR 2021 论文和开源项目合集(Papers with Code)
紫芝的博客
05-24 6977
摘自：https://github.com/amusi/CVPR2021-Papers-with-Code CVPR 2021 论文和开源项目合集CVPR 2021 论文和开源项目合集(Papers with Code)【CVPR 2021 论文开源目录】BackboneNASGANVAEVisual TransformerRegularizationSLAM长尾分布(Long-Tailed)数据增广(Data Augmentation)无监督/自监督(Un/Self-Supervised)半监督学习(Se
CVPR2021目标跟踪论文汇总
qq_41897154的博客
12-10 1364
CVPR2021目标跟踪论文，共17篇 Rotation Equivariant Siamese Networks for Tracking Rotation is among the long prevailing, yet still unresolved, hard challenges encountered in visual object tracking. The existing deep learning-based tracking algorithms use regular C
2021年3月31最新论文（计算机视觉，图像分割，图像识别，图像分类）
AI速递
03-31 2625
【1-66】移步到公众号：AI速递 [67] Classifying Video based on Automatic Content Detection Overview 作者 | Yilin Wang, Jiayi Ye 链接 | https://arxiv.org/abs/2103.15323 [68] TFPose: Direct Human Pose Estimation with Transformers 作者 | Weian Mao, Yongtao Ge, Chunhua Shen, Zh
Simple Black-box Adversarial Attacks【简易的黑盒对抗攻击】
一只黑猩猩
07-31 6939
Simple Black-box Adversarial Attacks【简易的黑盒对抗攻击】 Chuan Guo, Jacob R. Gardner, Yurong You, Andrew Gordon Wilson, Kilian Q. Weinberger GitHub:https://github.com/cg563/simple-blackbox-attack 一、相关概念 1.1 对抗攻击（Adversarial Attack） 基于深度学习的图像分类网络，大多是在精心制作的数据集下进行训
快醒醒，别睡了!...讲《数据分析pandas库》了—/—＜4＞
最新发布
qq_64603703的博客
07-27 687
详细解说数据分析pandas库中的常用方法
RXDNFuse复现
05-01
RXDNFuse是一种用于绕过Windows用户账户控制（UAC）的技术，它可以使得普通用户获得管理员权限。这个技术是通过DLL注入来实现的。具体地说，它通过将恶意DLL注入到Windows系统进程中，并利用进程完整性级别低于管理员权限的漏洞，从而绕过UAC限制，获取系统管理员权限。 复现RXDNFuse技术需要具备一定的技术知识和实践经验。简单来说，复现RXDNFuse的过程包括以下几个步骤： 1. 寻找可注入的Windows系统进程； 2. 制作恶意DLL文件； 3. 利用工具或手动将恶意DLL注入到系统进程中； 4. 触发漏洞，使得恶意DLL被执行； 5. 获得管理员权限。 需要注意的是，复现RXDNFuse技术属于安全研究领域，只能在合法授权和安全测试环境下进行。在未经授权的情况下使用该技术可能会触犯法律法规，造成不必要的后果。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值