[發明專利]基于深度網絡的目標追蹤攻擊與防御方法

有效

• 申請號: 202010337803.1
• 申請日: 2020-04-26
• 公開（公告）號: CN111627044B
• 公開（公告）日: 2022-05-03
• 發明（設計）人: 馬超;楊小康
• 申請（專利權）人: 上海交通大學
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06V10/25;G06V10/774;G06K9/62
• 代理公司: 上海恒慧知識產權代理事務所(特殊普通合伙) 31317
• 代理人: 劉翠

本發明提供了一種基于深度網絡的目標追蹤攻擊與防御方法，獲取被攻擊目標跟蹤器，輸入待攻擊的目標跟蹤視頻序列；確定待檢測的正負樣本及偽正負樣本；根據正負樣本及偽正負樣本，分別計算樣本及偽樣本的對抗攻擊損失函數，并計算損失函數對輸入圖像的梯度值反傳至輸入圖像；進行多次幀內迭代，得到多次迭代的對抗樣本；將對抗樣本與輸入圖像進行差值計算，得到的結果即為該幀的對抗攻擊擾動，將該幀的擾動作為下一幀的初始擾動，重復此過程，得到完整的對抗攻擊視頻序列。本發明通過在原視頻序列上增加及減少人眼不易見的微小擾動，有效地降低及恢復了基于深度網絡目標追蹤器的追蹤性能；應用于原始視頻序列上，能夠有效提升目標追蹤的準確度。

技術領域

本發明涉及視覺目標追蹤技術領域的攻擊與防御技術，具體地，涉及一種基于深度網絡梯度的目標追蹤器攻擊與防御方法。

背景技術

視覺目標追蹤是計算機視覺領域的重要方向，并且具有廣泛的應用前景和市場價值。隨著深度學習的方法在圖像分類、物體檢測、目標追蹤等眾多任務的成功應用，學者發現現有深度模型的魯棒性普遍較差。舉例來說，如果在待檢測圖像加上特定的不影響人類視覺觀察的微小擾動，就會導致預訓練的分類模型檢測錯誤。這些增加過特定擾動的圖片常被稱作對抗樣本，現有的卷積神經網絡模型無法準確地處理分析對抗樣本，而導致預訓練模型的準確率大幅度下降。因此，如何提高現有深度模型的魯棒性顯得格外重要，可以阻擋人為的惡意攻擊，提升深度學習模型的安全性，減少不必要的經濟損失，對深度模型在實際生產生活中的應用有著重大意義。

基于現有深度模型的這一局限性，國內外專家和學者提出了眾多對抗攻擊方法來降低現有模型的性能，但大多都集中在基于單張圖片的任務，例如圖像分類、目標檢測、語義分割等，而較少涉獵動態視頻序列的對抗攻擊與防御。而對視頻序列的攻擊與防御機制的探索，在實際生活應用中有重要的價值，可應用于智能視頻監控系統、智能交通系統和視覺導航系統等諸多方面。因此，如何實現一種針對動態視頻序列的目標跟蹤器攻擊與防御技術，成為本領域亟待解決的問題。

目前沒有發現同本發明類似技術的說明或報道，也尚未收集到國內外類似的資料。

發明內容

本發明針對現有技術中對抗攻擊與防御方法大多集中在處理單張圖像的任務上，較少涉獵視頻序列的對抗攻擊與防御的缺陷，提供了一種基于深度網絡的目標追蹤攻擊與防御方法。

本發明是通過以下技術方案實現的。

根據本發明的一個方面，提供了一種基于深度網絡的目標追蹤攻擊方法，包括：

S1，獲取被攻擊目標跟蹤器的網絡結構及網絡參數θ，同時，輸入待攻擊的目標跟蹤視頻序列，所述視頻序列包括多個視頻幀I₁，I₂…I_n；

S2，根據S1中獲取的目標跟蹤器及當前攻擊的視頻幀I_i，確定待檢測的正負樣本及偽正負樣本；

S3，根據S2中得到的正負樣本及偽正負樣本，分別計算樣本及偽樣本的對抗攻擊損失函數，并根據對應的損失函數，計算損失函數對視頻幀I_i的梯度值作為擾動反傳至視頻幀I_i；

S4，重復執行S3，進行多次幀內迭代，將每次迭代的圖像梯度值多次累積疊加，得到最終的對抗樣本；

S5，將S4中得到的對抗樣本與對應的視頻幀進行差值計算，得到的結果即為該視頻幀的擾動；

S6,結合視頻序列的時序特性，將當前視頻幀的擾動作為下一視頻幀的初始擾動，重復S2-S5的過程，依次得到完整的對抗攻擊視頻序列。

優選地，所述S2，包括：

S21，將當前攻擊的視頻幀I_i輸入至被攻擊目標跟蹤器，根據被攻擊目標跟蹤器網絡結構提取出m個待檢測的候選框P；