Cooling-Shrinking Attack: Blinding the Tracker with Imperceptible Noises

文章目录

• 驱动因素
• 创新性贡献
• 核心方法论

  • 冷却收缩损失函数

  • 算法机制

  • 实验结果

  • • 对SiamRPN++攻击结果
    • Ablation Study
    • 其他

  • 总结/疑问

论文地址： （）中的官方链接。（注意这里的"."被替换成了"）中的"以避免歧义）
项目地址： 该存储库的GitHub官方代码存储位置

动机

• 对抗攻击测试有助于更有效地了解深度学习的工作原理，并为后续改进提供意见支持；
  • 目前较为少见针对跟踪器的攻击测试
  • 目标：生成一个肉眼不可见的噪声生成器，并以降低跟踪过程中前景与背景分类的信任度、同时缩小定位框尺寸为目标

创新点（贡献）

• 提出了一种基于cooling和shrinking机制的攻击策略。通过构建两个损失函数来优化噪声发生器，在目标检测过程中有效降低分类置信度水平并缩小定位框的目标。实验结果表明，在多个公开测试基准数据集上（如OTB100、VOT2018及LaSOT），该方法展现出显著的鲁棒性。（被攻击的目标检测框架是SiamRPN++）
• 研究表明，在仅优化生成器的同时即可实现理想的性能表现。研究表明，在不额外增加复杂性的前提下，仅采用L2损失即可达到与传统GAN模型相当的效果。
• 进一步实验表明，在不同目标检测框架中（如DaSIam