論文の概要: Sparse Black-box Video Attack with Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2001.03754v3
• Date: Fri, 11 Mar 2022 14:41:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-12 09:34:18.286805
• Title: Sparse Black-box Video Attack with Reinforcement Learning
• Title（参考訳）: 強化学習によるスパースブラックボックスビデオアタック
• Authors: Xingxing Wei, Huanqian Yan, and Bo Li
• Abstract要約: ブラックボックスビデオ攻撃を強化学習フレームワークに定式化する。 RLの環境を認識モデルとし、RLのエージェントがフレーム選択の役割を果たす。 我々は2つの主流ビデオ認識モデルを用いて一連の実験を行う。
• 参考スコア（独自算出の注目度）: 14.624074868199287
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Adversarial attacks on video recognition models have been explored recently. However, most existing works treat each video frame equally and ignore their temporal interactions. To overcome this drawback, a few methods try to select some key frames and then perform attacks based on them. Unfortunately, their selection strategy is independent of the attacking step, therefore the resulting performance is limited. Instead, we argue the frame selection phase is closely relevant with the attacking phase. The key frames should be adjusted according to the attacking results. For that, we formulate the black-box video attacks into a Reinforcement Learning (RL) framework. Specifically, the environment in RL is set as the recognition model, and the agent in RL plays the role of frame selecting. By continuously querying the recognition models and receiving the attacking feedback, the agent gradually adjusts its frame selection strategy and adversarial perturbations become smaller and smaller. We conduct a series of experiments with two mainstream video recognition models: C3D and LRCN on the public UCF-101 and HMDB-51 datasets. The results demonstrate that the proposed method can significantly reduce the adversarial perturbations with efficient query times.
• Abstract（参考訳）: 近年,映像認識モデルに対する敵意攻撃が検討されている。 しかし、既存の作品の多くはそれぞれのビデオフレームを等しく扱い、時間的相互作用を無視している。 この欠点を克服するために、いくつかの方法がいくつかのキーフレームを選択し、それに基づいて攻撃を行う。 残念ながら、彼らの選択戦略は攻撃段階から独立しており、結果として得られる性能は限られている。 代わりに、フレーム選択フェーズは攻撃フェーズと密接に関連していると主張する。 キーフレームは攻撃結果に応じて調整されるべきである。 そのため、ブラックボックスビデオ攻撃を強化学習(rl)フレームワークとして定式化する。 具体的には、RL内の環境を認識モデルとして設定し、RL内のエージェントがフレーム選択の役割を果たす。 認識モデルを連続的にクエリし、攻撃フィードバックを受け取ることにより、エージェントはフレーム選択戦略を徐々に調整し、対向的摂動は小さくなる。 一般向けUCF-101データセットとHMDB-51データセット上で,C3DとLCCNの2つの主流ビデオ認識モデルを用いて実験を行った。 その結果,提案手法は効率の良いクエリ時間で対向的摂動を著しく低減できることを示した。

関連論文リスト

• Temporal-Distributed Backdoor Attack Against Video Based Action Recognition [21.916002204426853]
  ビデオデータに対する、シンプルで効果的なバックドア攻撃を導入する。 我々の提案した攻撃は、変換されたドメインに摂動を加えることで、ビデオフレームに知覚不能で時間的に分散されたトリガーを配置する。
  論文  参考訳（メタデータ） (2023-08-21T22:31:54Z)
• Inter-frame Accelerate Attack against Video Interpolation Models [73.28751441626754]
  我々は,対戦型攻撃をVIFモデルに適用し,対戦型モデルに対して非常に脆弱であることを示す。 本稿では,フレーム間加速攻撃(IAA)と呼ばれる新しい攻撃手法を提案する。 本手法は従来の手法と同等の攻撃性能を達成しつつ,攻撃効率を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-05-11T03:08:48Z)
• Efficient Decision-based Black-box Patch Attacks on Video Recognition [33.5640770588839]
  この研究はまず、意思決定に基づくビデオモデルに対するパッチ攻撃について検討する。 問合せ効率の高い攻撃を実現するために,時空間差分進化フレームワークを提案する。 STDEは、脅威、効率、非受容性の点で最先端のパフォーマンスを実証している。
  論文  参考訳（メタデータ） (2023-03-21T15:08:35Z)
• Attacking Video Recognition Models with Bullet-Screen Comments [79.53159486470858]
  本稿では,BSC攻撃による映像認識モデルに対する新たな敵攻撃を提案する。 BSCは一種の意味のあるパッチと見なすことができ、クリーンなビデオに追加しても、ビデオの内容に対する人々の理解に影響を与えたり、人々の疑念を喚起したりしない。
  論文  参考訳（メタデータ） (2021-10-29T08:55:50Z)
• Boosting the Transferability of Video Adversarial Examples via Temporal Translation [82.0745476838865]
  敵の例は転送可能であり、現実世界のアプリケーションにおけるブラックボックス攻撃に対して実現可能である。 本稿では,一組の時間的翻訳ビデオクリップ上での対向的摂動を最適化する時間的翻訳攻撃手法を提案する。 Kinetics-400 データセットと UCF-101 データセットを用いた実験により,本手法がビデオ対向例の転送可能性を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2021-10-18T07:52:17Z)
• Reinforcement Learning Based Sparse Black-box Adversarial Attack on Video Recognition Models [3.029434408969759]
  ブラックボックスの敵攻撃は、選択されたキー領域とキーフレームでのみ実行される。 本稿では,攻撃プロセスの高速化を目的とした強化学習に基づくフレーム選択手法を提案する。 実データセットにおける実験結果の範囲は,提案手法の有効性と有効性を示す。
  論文  参考訳（メタデータ） (2021-08-29T12:22:40Z)
• Semi-Supervised Action Recognition with Temporal Contrastive Learning [50.08957096801457]
  2つの異なる速度でラベル付きビデオを用いて2経路の時間的コントラストモデルを学習する。 我々は最先端の半教師付き画像認識手法の映像拡張性能を著しく向上させた。
  論文  参考訳（メタデータ） (2021-02-04T17:28:35Z)
• Defending Against Multiple and Unforeseen Adversarial Videos [71.94264837503135]
  本稿では,ビデオ認識のための対戦型ビデオに対する最初の防衛戦略の1つを提案する。 提案手法はMultiBNと呼ばれ、複数の独立バッチ正規化層を用いて、複数のビデオタイプに対する逆トレーニングを行う。 複数のBN構造を持つ場合、それぞれのBNブラッチは単一の摂動型の分布を学習し、より正確な分布推定を提供する。
  論文  参考訳（メタデータ） (2020-09-11T06:07:14Z)
• Motion-Excited Sampler: Video Adversarial Attack with Sparked Prior [63.11478060678794]
  そこで本研究では,前もってモーションアウェアノイズを得るための効果的なモーションエキサイティングサンプリング手法を提案する。 より少ないクエリ数で様々なビデオ分類モデルを攻撃することができる。
  論文  参考訳（メタデータ） (2020-03-17T10:54:12Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。