[發(fā)明專利]一種基于生成的對抗攻擊方法

有效

• 申請?zhí)枺?/td>: 202110204784.X
• 申請日: 2021-02-24
• 公開（公告）號: CN112884802B
• 公開（公告）日: 2023-05-12
• 發(fā)明（設(shè)計）人: 王正奕;廖勇;成日冉;周惠;蔡木目心;王旭鵬
• 申請（專利權(quán)）人: 電子科技大學(xué)
• 主分類號: G06T7/223
• 分類號: G06T7/223;G06T7/246;G06T9/00;G06T3/40;G06T5/50;G06V10/74;G06V10/80;G06V10/82;G06N3/0475;G06N3/047;G06N3/0464;G06N3/094
• 代理公司: 成都華風(fēng)專利事務(wù)所(普通合伙) 51223
• 代理人: 張巨箭

本發(fā)明公開了一種基于生成的對抗攻擊方法，包括以下步驟：計算跟蹤模板和搜索區(qū)域的種子點集的相似度編碼數(shù)據(jù)，將從跟蹤模板提取的特征和所述相似度編碼數(shù)據(jù)進行融合得到增強特征；將所述增加特征輸入至二項分布編碼層，所述二項分布編碼層為每個點學(xué)習(xí)出一個伯努利分布用于描述點的過濾狀態(tài)；利用過濾狀態(tài)蒸餾得到對抗性模板。本發(fā)明采用相似度編碼的方式、和將相似度編碼與跟蹤模板融合的方式進行特征提取，優(yōu)點在于：該對抗攻擊方法能夠快速計算模板與搜索區(qū)域的潛在相似度，并有效地編碼出對抗樣本，生成的對抗樣本通過對點進行過濾，模擬了現(xiàn)實世界采集3D數(shù)據(jù)時容易生成的數(shù)據(jù)空洞，具有不易被察覺的特點。

技術(shù)領(lǐng)域

本發(fā)明涉及目標跟蹤的對抗攻擊領(lǐng)域，尤其涉及一種基于生成的對抗攻擊方法。

背景技術(shù)

盡管在自動駕駛和智能監(jiān)管系統(tǒng)中已經(jīng)有過了大量的研究工作，3D目標跟蹤任務(wù)還是受到了相當大的關(guān)注。雖然在3D目標跟蹤領(lǐng)域已經(jīng)有了許多突破性的發(fā)展，但是相比與2D的目標跟蹤，對其可依賴性的研究卻不是很多。現(xiàn)有的一些研究表明了深度模型面對一些精心生成的具有攻擊性的對抗樣本的時候十分脆弱。由于3D目標跟蹤在許多強調(diào)安全的領(lǐng)域起到了十分重要的作用，所以十分需要對3D跟蹤模型的穩(wěn)健性進行評估。

早期對3D模型對抗攻擊的主要對象是分類器。由于這種攻擊是附加于受害點云上的，所以攻擊的方法主要分為點擾動和點丟棄。點擾動的對抗攻擊比較典型的是在L2正則化的約束下，使點在局部移動以生成對抗樣本。這些方法生成了樣本級的攻擊，但是它們的本質(zhì)是一種較為耗時的優(yōu)化問題，所以無法應(yīng)用于一些有實時性要求的場景。一些基于生成網(wǎng)絡(luò)的攻擊方法逐漸被提出來，比如通過標簽引導(dǎo)來迷惑分類器的攻擊方法、注重于攻擊轉(zhuǎn)移性的攻擊方法。另一方面，通過點丟棄來模擬3D傳感器獲取點云數(shù)據(jù)是的遮擋情況或者其本身的固有缺點來生成對抗樣本，對深度模型進行攻擊也十分有效。通過計算點云中每個點的貢獻程度來得到顯著點的方法被大量的應(yīng)用于對抗攻擊。通過統(tǒng)計每個點在深度模型中的穩(wěn)健性，使用迭代的方法來生成顯著性遮擋也能夠有效的欺騙深度神經(jīng)網(wǎng)絡(luò)。

對3D目標檢測也有對抗攻擊的研究。第一種對雷達目標檢測的攻擊是結(jié)合了優(yōu)化方法和全局采樣的攻擊。除此之外，還有一種統(tǒng)一攻擊的方法能夠迷惑3D目標檢測算法，它在自動駕駛場景下的物理認知方面具有優(yōu)點。另外，一種基于觀測的雷達點云遮擋攻擊方法也能夠?qū)е?D目標檢測器不穩(wěn)定。

在現(xiàn)有技術(shù)中，直接采用計算點貢獻來進行點過濾的方法通常是采用基于優(yōu)化方法，這種方法時間消耗較大。另外，采用可微分的形式擬合伯努力分布實現(xiàn)點過濾，若使用Sigmoid函數(shù)進行丟點狀態(tài)描述，則會造成丟點狀態(tài)在0和1的分布不充分，大部分處于兩者之間，無法對丟點進行較好的描述。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種基于生成的對抗攻擊方法。

本發(fā)明的目的是通過以下技術(shù)方案來實現(xiàn)的：一種基于生成的對抗攻擊方法，包括以下步驟：

計算跟蹤模板和搜索區(qū)域的種子點集的相似度編碼數(shù)據(jù)，將從跟蹤模板提取的特征和所述相似度編碼數(shù)據(jù)進行融合得到增強特征；

將所述增加特征輸入至二項分布編碼層，所述二項分布編碼層為每個點學(xué)習(xí)出一個伯努利分布用于描述點的過濾狀態(tài)；利用過濾狀態(tài)蒸餾得到對抗性模板。

進一步地，所述計算跟蹤模板和搜索區(qū)域的種子點集的相似度編碼數(shù)據(jù)，包括：

利用下采樣的方式分別提取跟蹤模板的第一種子點集和搜索區(qū)域的第二種子點集；

以計算得到的第一種子點集和第二種子點集的余弦距離，作為潛在相似度編碼數(shù)據(jù)。

進一步地，所述余弦距離經(jīng)卷積和對稱后，作為潛在相似度編碼數(shù)據(jù)。

進一步地，所述將從跟蹤模板提取的特征和所述相似度編碼數(shù)據(jù)進行融合得到增強特征，包括：