注意力引导对抗攻击

攻击迁移性强

利用注意力机制构造跨帧相关性，生成具有强攻击性与高迁移性的对抗样本，可显著降低多种视频目标分割模型的精度。

姚睿 · 陈莹 · 周勇 · 胡伏原 · 赵佳琦 · 刘兵 · 邵志文

ACM Transactions on Intelligent Systems and Technology 2023

参数信息

J&F平均下降率

73.6 %

技术优势

攻击迁移性强

注意力特征损失的设计增强了对抗样本对多种视频对象分割模型的迁移性。

攻击效果显著

在DAVIS 2016数据集上，J&F平均下降率达73.6%。

应用场景

• 视频目标分割安全：用该攻击测试视频目标分割模型的安全性，识别其脆弱性。
• 深度学习鲁棒性：用该攻击评估深度学习模型的鲁棒性，为改进提供依据。
• 对抗攻击防御：将攻击样本用于对抗训练，提升模型防御能力。