[發明專利]一種基于孿生網絡的目標跟蹤通用魯棒對抗攻擊方法

在審

• 申請號: 202310053110.3
• 申請日: 2023-02-03
• 公開（公告）號: CN116309700A
• 公開（公告）日: 2023-06-23
• 發明（設計）人: 王瑩瑩;程旭;常文帥
• 申請（專利權）人: 南京信息工程大學
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06V10/764;G06V10/774;G06V10/766
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 王慧

1.一種基于孿生網絡的目標跟蹤通用魯棒對抗攻擊方法，包括以下步驟：

S1，從數據集視頻中采樣干凈模板和干凈搜索區域X_i，獲取訓練樣本集；

S2，獲取干凈模板和Z張干凈搜索區域X_i，通過Numpy庫分別將每一張干凈搜索區域X_i經過T_c變換生成搜索區域豐富數據樣本T_c(X_i)；

S3，通過pytorch函數隨機初始化一個初始擾動圖像U，該初始擾動圖像U與干凈搜索區域尺寸相同；將初始擾動圖像U添加到搜索區域豐富數據樣本T_c(X_i)中，形成對抗搜索區域T_C(X_i)′；

S4，將搜索區域豐富數據樣本T_c(X_i)、對抗搜索區域T_c(X_i)′、干凈模板送入SiamFC++跟蹤器中，獲取邊框原始分數排序列表Rank及添加擾動后的分數排序列表Rank′；

S5，計算真實目標框與SiamFC++跟蹤器每一個預測框的GIOU分數，并從小到大排序，記為GR；

S6，通過排序函數計算原始分數排序列表Rank中最高分數所對應框的索引index，計算GIOU分數最小的框所對應框的索引gindex，執行flip翻轉攻擊；

S7，計算搜索區域中GIOU＞0.7的框所對應的尺度{d_i|d₁，d₂，d₃，d₄,...，d_n},執行scale尺度攻擊；其中d_i表示尺度圖，代表的是預測邊框的寬和高的值；

S8，引入感知損失L_perp，確保對抗搜索區域T_c(X_i)′與搜索區域豐富數據樣本c_c(X_i)的像素差絕對值不超過擾動的最大值；

S9，聯合更新通用對抗擾動，通過Numpy庫引入T_r變換；

S10，當優化目標收斂時，將當前擾動圖像作為最佳通用擾動圖像并輸出。

2.如權利要求1所述的基于孿生網絡的目標跟蹤通用魯棒對抗攻擊方法，其特征在于，所述步驟S3中，隨機初始化處理后的初始擾動圖像U的數值在(-10，10)之間；擾動約束條件為l_∞≤10。

3.如權利要求1所述的基于孿生網絡的目標跟蹤通用魯棒對抗攻擊方法，其特征在于，步驟S4的實現過程如下：

S4-1，對第j次迭代，將第j-1次優化后的擾動圖像線性加在第j個視頻中的第N張搜索區域豐富數據樣本中，得到第j個視頻的對抗搜索區域，將j-1次優化后的擾動圖像記為U_j-1；

其中1≤j≤M，1≤N≤P，M為訓練樣本集中視頻的數量；P為第j個視頻中搜索區域的總數量；第0次優化后的擾動圖像為隨機初始化的擾動圖像；

S4-2，根據第j個視頻訓練樣本搜索區域及SiamFC++跟蹤器置信度分數圖，獲取P個搜索區域的邊框原始分數排序列表Rank及干擾后分數排序列表Rank'。

4.如權利要求1所述的基于孿生網絡的目標跟蹤通用魯棒對抗攻擊方法，其特征在于，所述步驟S5中，SiamFC++跟蹤器預測的結果GIOU取最小值。

5.如權利要求1所述的基于孿生網絡的目標跟蹤通用魯棒對抗攻擊方法，其特征在于，所述步驟S6中，執行flip翻轉的具體計算公式如下:

其中L_flip為翻轉攻擊損失函數，P為第j個視頻中搜索區域的總數量；

Rank′[gindex]表示GIOU值最小的框在排序列表中所對應的置信度分數，

Rank′[index]代表在添加擾動后原來最高分數的框所對應的置信度分數。