[發明專利]一種基于重要特征的視覺目標跟蹤可轉移黑盒攻擊方法

在審

• 申請號: 202210084771.8
• 申請日: 2022-01-25
• 公開（公告）號: CN114511593A
• 公開（公告）日: 2022-05-17
• 發明（設計）人: 姚睿;朱享彬;周勇;王鵬;張艷寧;趙佳琦;胡伏原
• 申請（專利權）人: 中國礦業大學
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06V10/74;G06V10/82;G06K9/62;G06N3/04
• 代理公司: 南京冠譽至恒知識產權代理有限公司 32426
• 代理人: 黃成萍

本發明提供了一種基于重要特征的視覺目標跟蹤可轉移黑盒攻擊方法，通過對特征中與跟蹤目標高度相關而不受源模型影響的重要特征進行攻擊，將其重要程度降低，同時增強不重要的特征以實現具有可轉移性的攻擊；即通過反向傳播獲得的所對應的梯度來體現其特征的重要程度，隨后通過梯度得到的加權特征以進行攻擊。此外，本發明使用視頻相鄰兩幀之間相似這一時序信息，提出特征相似下降損失函數，通過減小相鄰幀之間的特征相似度以進行攻擊。本發明能夠在不可知目標跟蹤模型以及不進行大量查詢的情況下，通過生成的具有強可轉移性的對抗樣本，對目標跟蹤器實現有效的黑盒攻擊。

技術領域

本發明涉及一種基于重要特征的視覺目標跟蹤可轉移黑盒攻擊方法，屬于視覺目標跟蹤對抗攻擊技術。

背景技術

視覺目標跟蹤是計算機視覺的基本問題之一，在自動駕駛等領域都有著廣泛的應用。隨著卷積神經網絡的發展，其在計算機視覺領域展現出極為優越的性能并廣泛應用。同樣，隨著卷積神經網絡的應用到視覺目標跟蹤，視覺目標跟蹤領域的也有了極大的發展。自從Szegedy等人首次提出對抗性攻擊，大量的研究表明CNN極易受到對抗攻擊的影響，視覺目標跟蹤領域也一樣受到對抗攻擊的潛在威脅。

許多工作都針對視覺目標跟蹤領域的對抗攻擊進行了研究，但是目前大多數的攻擊方法都是白盒攻擊，即在得知跟蹤模型的內部信息的情況進行攻擊。而只有少量的研究針對更加具有挑戰性的黑盒攻擊。在目前的視覺目標跟蹤黑盒攻擊研究中，大多為基于查詢的黑盒攻擊方法，該方法通過在視頻中施加強噪聲，輸入到跟蹤器中得到跟蹤結果，通過查詢得到的結果以生成對抗樣本。但是基于查詢的攻擊在現實中往往是不能實現，因為現實中的模型不可能進行大量的查詢。并且這種方法獲取的對抗樣本往往較為擬合特定攻擊的模型，當應用于其它模型時則攻擊效果較差。

發明內容

發明目的：為了克服現有技術中存在的不足，本發明提供一種基于重要特征的視覺目標跟蹤可轉移黑盒攻擊方法，通過對特征中與跟蹤目標高度相關而不受源模型影響的重要特征進行攻擊，將其重要程度降低，同時增強不重要的特征以實現具有可轉移性的攻擊；即通過反向傳播獲得的所對應的梯度來體現其特征的重要程度，隨后通過梯度得到的加權特征以進行攻擊。此外，本發明使用視頻相鄰兩幀之間相似這一時序信息，提出特征相似下降損失函數，通過減小相鄰幀之間的特征相似度以進行攻擊。

一種基于重要特征的視覺目標跟蹤可轉移黑盒攻擊方法，包括如下步驟：

(1)從需要攻擊的視覺目標跟蹤數據集中獲取需要攻擊的視頻樣本X＝{x₀,x₁,x₂,…,x_n}；將視頻樣本的第一幀x₀作為模板幀z，使用模板幀z對目標進行初始化；將視頻樣本的后續幀{x₁,x₂,…,x_n}作為搜索幀，即需要攻擊的幀，n為搜索幀的數量；

(2)計算重要特征下降損失函數L₁；

(3)計算特征相似下降損失函數L₂；

(4)結合重要特征下降損失函數L₁和特征相似下降損失函數L₂，計算最終需要優化的總損失函數L＝α₁L₁+α₂L₂；其中，α₁和α₂分別為L₁和L₂的權重；

(5)通過動量迭代法最小化總損失函數L生成對抗樣本；

(6)將對抗樣本輸入到其他未知內部信息的、需要攻擊的視覺目標跟蹤器f'，獲取視覺目標跟蹤器f'被攻擊后所得的預測目標位置。

優選的，所述步驟(2)中，計算重要特征下降損失函數L₁，包括如下步驟：