一种基于重要特征的视觉目标跟踪可转移黑盒攻击方法技术

本发明专利技术提供了一种基于重要特征的视觉目标跟踪可转移黑盒攻击方法，通过对特征中与跟踪目标高度相关而不受源模型影响的重要特征进行攻击，将其重要程度降低，同时增强不重要的特征以实现具有可转移性的攻击；即通过反向传播获得的所对应的梯度来体现其特征的重要程度，随后通过梯度得到的加权特征以进行攻击。此外，本发明专利技术使用视频相邻两帧之间相似这一时序信息，提出特征相似下降损失函数，通过减小相邻帧之间的特征相似度以进行攻击。本发明专利技术能够在不可知目标跟踪模型以及不进行大量查询的情况下，通过生成的具有强可转移性的对抗样本，对目标跟踪器实现有效的黑盒攻击。对目标跟踪器实现有效的黑盒攻击。对目标跟踪器实现有效的黑盒攻击。

【技术实现步骤摘要】
一种基于重要特征的视觉目标跟踪可转移黑盒攻击方法


[0001]本专利技术涉及一种基于重要特征的视觉目标跟踪可转移黑盒攻击方法，属于视觉目标跟踪对抗攻击技术。

技术介绍

[0002]视觉目标跟踪是计算机视觉的基本问题之一，在自动驾驶等领域都有着广泛的应用。随着卷积神经网络的发展，其在计算机视觉领域展现出极为优越的性能并广泛应用。同样，随着卷积神经网络的应用到视觉目标跟踪，视觉目标跟踪领域的也有了极大的发展。自从Szegedy等人首次提出对抗性攻击，大量的研究表明CNN极易受到对抗攻击的影响，视觉目标跟踪领域也一样受到对抗攻击的潜在威胁。
[0003]许多工作都针对视觉目标跟踪领域的对抗攻击进行了研究，但是目前大多数的攻击方法都是白盒攻击，即在得知跟踪模型的内部信息的情况进行攻击。而只有少量的研究针对更加具有挑战性的黑盒攻击。在目前的视觉目标跟踪黑盒攻击研究中，大多为基于查询的黑盒攻击方法，该方法通过在视频中施加强噪声，输入到跟踪器中得到跟踪结果，通过查询得到的结果以生成对抗样本。但是基于查询的攻击在现实中往往是不能实现，因为现实中的模型不本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于重要特征的视觉目标跟踪可转移黑盒攻击方法，其特征在于：包括如下步骤：(1)从需要攻击的视觉目标跟踪数据集中获取需要攻击的视频样本X＝{x0,x1,x2,
…
,x
n
}；将视频样本的第一帧x0作为模板帧z，使用模板帧z对目标进行初始化；将视频样本的后续帧{x1,x2,
…
,x
n
}作为搜索帧，即需要攻击的帧，n为搜索帧的数量；(2)计算重要特征下降损失函数L1；(3)计算特征相似下降损失函数L2；(4)结合重要特征下降损失函数L1和特征相似下降损失函数L2，计算最终需要优化的总损失函数L＝α1L1+α2L2；其中，α1和α2分别为L1和L2的权重；(5)通过动量迭代法最小化总损失函数L生成对抗样本；(6)将对抗样本输入到其他未知内部信息的、需要攻击的视觉目标跟踪器f'，获取视觉目标跟踪器f'被攻击后所得的预测目标位置。2.根据权利要求1所述的基于重要特征的视觉目标跟踪可转移黑盒攻击方法，其特征在于：所述步骤(2)中，计算重要特征下降损失函数L1，包括如下步骤：(21)将模板帧和搜索帧输入到已知内部信息的视觉目标跟踪器f中得到模板帧特征图和搜索帧特征图；同时，根据视觉目标跟踪器f上的反向传播得到搜索帧特征图对应的梯度；(22)通过搜索帧特征图及其对应的梯度，计算搜索帧的加权特征图；其中：x
i
为第i帧搜索帧，i＝1,2,
…
,n，feat(x
i
)为x
i
的搜索帧特征图，Δ
i
为feat(x
i
)对应的梯度，
⊙
表示点乘，||
·
||2表示L2范数；对Δ
i
进行正则化后与feat(x
i
)相乘得到x
i
的加权特征图feat

【专利技术属性】
技术研发人员：姚睿，朱享彬，周勇，王鹏，张艳宁，赵佳琦，胡伏原，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：