深入研究Cooling-Shrinking Attack：通过不可察觉的声音模糊追踪者

摘要内容提炼

通过对对抗攻击的深入探究，有助于更全面地理解神经网络的运行机制，并增强深度学习模型的稳定性与抗干扰能力。在本研究中，提出了一种名为cooling-shrinking的攻击方法，该方法针对当前最新的SiamRPN网络实施攻击。借助本文所设计的对抗性扰动，可以在降低目标所在区域热力图强度的同时，缩小预测边界框的范围，从而导致追踪目标无法被有效识别。该攻击模型在OTB100、VOT2018以及LaSOT等多个数据集上均表现出良好的性能。此外，本研究所提出的方案具备较强的迁移能力，能够有效误导DaSiamRPN、DaSiamRPN-UpdateNet以及DiMP等模型。论文中提供了源码：https://github.com/MasterBin-IIAU/CSA，后续将对源码进行详细分析以进一步理解论文的整体思路。

知识点补充与完善

1.原始追踪算法
最初的追踪算法主要分为生成式模型与判别式模型两类。生成式模型首先构建目标的模型或提取其特征，随后在后续帧中寻找相似的特征，通过不断迭代实现对目标位置的确定。然而，此类方法存在明显的不足之处，即未能充分运用图像中的背景信息。判别式模型则同时考虑了目标模型与背景信息，在对比两者差异的基础上提取出目标模型，从而确定当前帧中目标的具体位置。

传统的目标跟踪算法存在两个关键性问题：
（1）未充分考虑背