2020cvpr论文阅读之Efficient Adversarial Attacks for Visual ObjectTracking
视觉目标跟踪的高效对抗攻击
摘要
现有的最先进的物体跟踪器,即基于暹罗的跟踪器,使用DNNs来获得高精度。然而,视觉跟踪模型的鲁棒性很少被研究。在本文中,我们分析了基于暹罗网络的目标跟踪器的弱点,并把反例扩展到视觉目标跟踪。我们提出了一种端到端网络FAN(快速攻击网络),它使用一种新的漂移损失结合嵌入的特征损失来攻击基于暹罗网络的跟踪器。在单个GPU下,FAN训练速度高效,攻击性能强。
*
介绍*
检测框架就是RPN和RPN++
检测任务中主要是分类问题,比如FasterRCNN,目标跟踪中VOT是搜索最为相似的区域,是相似性度量问题。但对抗攻击完全不同。
首先定义目标攻击和非目标攻击,然后给出端与端的快速对抗网络,结合漂移损失和嵌入特征损失。对其进行有无针对性的对抗攻击。
本文主要贡献::(1)据我们所知,我们是第一个对视觉对象跟踪(VOT)任务执行目标攻击和非目标攻击的人。我们分析了基于暹罗网络的跟踪器的弱点,并给出了该任务中目标攻击和非目标攻击的定义。(2)提出了一种统一的端到端攻击方法:FAN(快速攻击网络)。我们设计了一种新的漂移损失来有效地实现非目标攻击,并应用嵌入的特征损失来实现目标攻击。最后,我们结合这两个损失函数来共同攻击VOT任务。(3)经过三个小时的训练,FAN可以在不微调网络参数的情况下成功攻击VOT和OTB数据集。在推理上,FAN可以在10ms内快速产生对抗性例子,比迭代优化算法快得多。
产生对抗的例子
V = {I1,…