研究学习的方法如何影响视觉追踪

摘要

对抗攻击在图像、音频、自然语言、patch以及像素级别的分类任务中被广泛采用。然而，针对视频目标追踪任务的对抗攻击相关研究仍较为有限。该论文提出了一种在线生成人眼难以察觉的对抗扰动的方法，从而诱导追踪器生成错误的追踪路径（无目标攻击UA），或生成特定的追踪路径（有目标攻击TA）。在文章结尾部分，作者基于FGSM、BIM和C&W算法进行了适配，提出了一种具备空间感知能力的攻击方式，并对这些方法的表现进行了全面分析。作者指出，在线目标追踪存在两个新的挑战：第一，难以生成能够在连续视频帧之间有效传递和转移的对抗扰动；第二，实时性要求较高，使得攻击过程必须具备较快的速度。（因此，本文的重点仍在于不可感知性与实时性）为应对上述问题，作者设计了一种空间感知型的在线增量攻击方法（以下简称SPARK），该方法可以在线实施时空稀疏增量扰动，从而降低对抗攻击被察觉的可能性。此外，作为一种基于优化的方法，SPARK通过引入历史增量扰动信息，在较短时间内即可收敛至较小的损失值，相较于传统方法更具效率优势。实验结果表明，在OTB100、VOT2018、UAV123和LaSOT数据集上对当前最先进的追踪器进行测试时，SPARK仅需添加极小幅度的扰动即可成功实现UA和TA两种类型的攻击。

Introduction

除图像处理任务外，当前已有大量学者关注其他类型任务中的对抗攻击问题