論文の概要: Tracklet-Switch Adversarial Attack against Pedestrian Multi-Object Tracking Trackers

• arxiv url: http://arxiv.org/abs/2111.08954v3
• Date: Tue, 4 Apr 2023 06:43:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-05 19:21:49.007869
• Title: Tracklet-Switch Adversarial Attack against Pedestrian Multi-Object Tracking Trackers
• Title（参考訳）: 歩行者マルチオブジェクトトラッキングトラッカに対するトラックレットスイッチ逆攻撃
• 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。 実験の結果、TraSwは平均して4フレームしか攻撃せず、95%以上の成功率を極端に達成できることがわかった。
• 参考スコア（独自算出の注目度）: 14.135239008740173
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-Object Tracking (MOT) has achieved aggressive progress and derived many excellent deep learning trackers. Meanwhile, most deep learning models are known to be vulnerable to adversarial examples that are crafted with small perturbations but could mislead the model prediction. In this work, we observe that the robustness on the MOT 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 the tracking. To this end, we analyze the vulnerability of popular MOT trackers and propose a novel adversarial attack method called Tracklet-Switch (TraSw) against the complete tracking pipeline of MOT. The proposed TraSw can fool the advanced deep pedestrian trackers (i.e., FairMOT and ByteTrack), causing them fail to track the targets in the subsequent frames by perturbing very few frames. Experiments on the MOT-Challenge datasets (i.e., 2DMOT15, MOT17, and MOT20) show that TraSw can achieve an extraordinarily high success attack rate of over 95% by attacking only four frames on average. To our knowledge, this is the first work on the adversarial attack against the pedestrian MOT trackers. Code is available at https://github.com/JHL-HUST/TraSw .
• Abstract（参考訳）: マルチオブジェクト追跡(MOT)は積極的な進歩を遂げ、多くの優れたディープラーニングトラッカーを導出した。 一方、ほとんどのディープラーニングモデルは、小さな摂動で作られるがモデル予測を誤解させる可能性のある敵の例に弱いことが知られている。 本研究は,MOTトラッカーのロバスト性について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がトラッキング中のエラーに対してロバストに設計されているため,MOTシステムを攻撃することは困難である。 そこで我々は,MOTトラッカーの脆弱性を分析し,MOTの全追跡パイプラインに対するトラストレットスイッチ(TraSw)と呼ばれる新たな攻撃手法を提案する。 提案されたtraswは、高度な歩行者追跡装置(例えばfairmotとbytetrack)を騙すことができ、非常に少ないフレームを摂動させることで、その後のフレームのターゲットを追跡できない。 MOT-Challengeデータセット(例:2DMOT15、MOT17、MOT20)の実験では、TraSwは平均して4フレームだけを攻撃することで、95%以上の異常に高い攻撃率を達成することができた。 我々の知る限り、これは歩行者MOTトラッカーに対する敵の攻撃に関する最初の研究である。 コードはhttps://github.com/JHL-HUST/TraSw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。