論文の概要: TraSw: Tracklet-Switch Adversarial Attacks against Multi-Object Tracking

• arxiv url: http://arxiv.org/abs/2111.08954v1
• Date: Wed, 17 Nov 2021 07:53:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-18 14:41:33.926035
• Title: TraSw: Tracklet-Switch Adversarial Attacks against Multi-Object Tracking
• Title（参考訳）: TraSw:マルチオブジェクト追跡に対するトラブレットスイッチ対応攻撃
• Authors: Delv Lin, Qi Chen, Chengyu Zhou, Kun He
• Abstract要約: マルチオブジェクト追跡(MOT)の完全追跡パイプラインに対して,トラックレットスイッチ(TraSw)と呼ばれる新たな逆攻撃手法を提案する。 TraSwは、単一ターゲット攻撃で平均5フレームしか攻撃せず、複数ターゲット攻撃で80%以上の成功率で95%以上の高い成功率を達成することができる。
• 参考スコア（独自算出の注目度）: 9.223803188112614
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Benefiting from the development of Deep Neural Networks, Multi-Object Tracking (MOT) has achieved aggressive progress. Currently, the real-time Joint-Detection-Tracking (JDT) based MOT trackers gain increasing attention and derive many excellent models. However, the robustness of JDT trackers is rarely studied, and it is challenging to attack the MOT system since its mature association algorithms are designed to be robust against errors during tracking. In this work, we analyze the weakness of JDT trackers and propose a novel adversarial attack method, called Tracklet-Switch (TraSw), against the complete tracking pipeline of MOT. Specifically, a push-pull loss and a center leaping optimization are designed to generate adversarial examples for both re-ID feature and object detection. TraSw can fool the tracker to fail to track the targets in the subsequent frames by attacking very few frames. We evaluate our method on the advanced deep trackers (i.e., FairMOT, JDE, ByteTrack) using the MOT-Challenge datasets (i.e., 2DMOT15, MOT17, and MOT20). Experiments show that TraSw can achieve a high success rate of over 95% by attacking only five frames on average for the single-target attack and a reasonably high success rate of over 80% for the multiple-target attack. The code is available at https://github.com/DerryHub/FairMOT-attack .
• Abstract（参考訳）: ディープニューラルネットワークの発展により、MOT(Multi-Object Tracking)は積極的な進歩を遂げた。 現在、リアルタイムジョイント検出追跡(jdt)ベースのmotトラッカーは注目を集め、多くの優れたモデルを生み出している。 しかし,jdtトラッカのロバスト性はほとんど研究されておらず,その成熟したアソシエーションアルゴリズムは追跡中のエラーに対してロバストであるように設計されているため,motシステムへの攻撃が困難である。 本研究では,jdtトラッカの弱点を分析し,motの完全なトラッキングパイプラインに対して,trasw(tracklet-switch)と呼ばれる新しい攻撃手法を提案する。 具体的には、プッシュプル損失と中心跳躍最適化は、リid機能とオブジェクト検出の両方の逆の例を生成するように設計されている。 traswは追跡者を騙して、ごくわずかなフレームを攻撃して、その後のフレームのターゲットを追跡できないようにする。 本手法は,MOT-Challengeデータセット(2DMOT15,MOT17,MOT20)を用いて,高度なディープトラッカー(FairMOT,JDE,ByteTrack)上で評価する。 実験の結果,traswは,単発攻撃では平均5フレームのみを攻撃し,多発攻撃では80%以上の成功率で95%以上の成功率を達成できた。 コードはhttps://github.com/DerryHub/FairMOT- attack で入手できる。

関連論文リスト

• Comparative study of multi-person tracking methods [0.0]
  本研究の目的は,これらの手法の発見と追跡パイプラインにおけるこれらのアルゴリズムに関する有用な洞察を提供することである。 われわれはMOT17Detデータセットを用いて歩行者検出モデルを訓練した。 次に,トラクタ++がSORTよりも優れたマルチパーソントラッキングアルゴリズムであることを示す実験結果を示す。
  論文  参考訳（メタデータ） (2023-10-07T14:29:57Z)
• Immortal Tracker: Tracklet Never Dies [50.97679119367842]
  従来のオンライン3Dマルチオブジェクト追跡(DMOT)メソッドは、数フレームの新しい検出に関連付けられていない場合、トラックレットを終了する。 近年の3DMOTシステムでは,早期のトラックレット終了がアイデンティティスイッチの主な原因であることが判明した。 我々は、軌道予測を利用して暗くなった物体のトラックレットを維持する単純な追跡システムであるImmortal Trackerを提案する。
  論文  参考訳（メタデータ） (2021-11-26T18:53:18Z)
• Learning to Track Objects from Unlabeled Videos [63.149201681380305]
  本稿では,Unsupervised Single Object Tracker (USOT) をスクラッチから学習することを提案する。 教師なしトラッカーと教師なしトラッカーのギャップを狭めるために,3段階からなる効果的な教師なし学習手法を提案する。 実験の結果、未ラベルのビデオから得られたUSOTは、最先端の教師なしトラッカーよりも大きなマージンでうまく機能していることがわかった。
  論文  参考訳（メタデータ） (2021-08-28T22:10:06Z)
• Split and Connect: A Universal Tracklet Booster for Multi-Object Tracking [33.23825397557663]
  マルチオブジェクト追跡(MOT)はコンピュータビジョン分野において重要な課題である。 本稿では,他の任意のトラッカー上に構築可能なトラックレットブースターアルゴリズムを提案する。 モチベーションは単純で単純で、潜在的なIDスイッチ位置でトラックレットを分割し、同じオブジェクトから複数のトラックレットを1つに接続する。
  論文  参考訳（メタデータ） (2021-05-06T03:49:19Z)
• Probabilistic Tracklet Scoring and Inpainting for Multiple Object Tracking [83.75789829291475]
  本稿では,トラックレット提案の確率的自己回帰運動モデルを提案する。 これは、我々のモデルを訓練して、自然のトラックレットの基盤となる分布を学習することで達成される。 我々の実験は、挑戦的なシーケンスにおける物体の追跡におけるアプローチの優位性を実証している。
  論文  参考訳（メタデータ） (2020-12-03T23:59:27Z)
• Efficient Adversarial Attacks for Visual Object Tracking [73.43180372379594]
  本稿では,新たなドリフト損失と組込み機能損失を併用して,シームズネットワークベースのトラッカーを攻撃するエンド・ツー・エンド・エンド・ネットワークFANを提案する。 単一のGPUの下では、FANはトレーニング速度が効率的で、強力な攻撃性能を持つ。
  論文  参考訳（メタデータ） (2020-08-01T08:47:58Z)
• ArTIST: Autoregressive Trajectory Inpainting and Scoring for Tracking [80.02322563402758]
  オンラインマルチオブジェクトトラッキング(MOT)フレームワークの中核的なコンポーネントの1つは、既存のトラックレットと新しい検出を関連付けることである。 そこで我々は,トラックレットが自然運動を表す可能性を直接測定することにより,トラックレットの提案を評価する確率論的自己回帰生成モデルを提案する。
  論文  参考訳（メタデータ） (2020-04-16T06:43:11Z)
• Cooling-Shrinking Attack: Blinding the Tracker with Imperceptible Noises [87.53808756910452]
  The method is proposed to deceive-of-the-the-art SiameseRPN-based tracker。 本手法は転送性に優れ,DaSiamRPN,DaSiamRPN-UpdateNet,DiMPなどの他のトップパフォーマンストラッカーを騙すことができる。
  論文  参考訳（メタデータ） (2020-03-21T07:13:40Z)

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。