論文の概要: TrackPGD: Efficient Adversarial Attack using Object Binary Masks against Robust Transformer Trackers

• arxiv url: http://arxiv.org/abs/2407.03946v2
• Date: Tue, 26 Nov 2024 15:17:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-28 15:23:26.449476
• Title: TrackPGD: Efficient Adversarial Attack using Object Binary Masks against Robust Transformer Trackers
• Title（参考訳）: TrackPGD:ロバスト変圧器トラッカーに対するオブジェクト二元マスクを用いた効率的な対向攻撃
• Authors: Fatemeh Nourilenjan Nokabadi, Yann Batiste Pequignot, Jean-Francois Lalonde, Christian Gagné,
• Abstract要約: 敵対的摂動は、入力に小さな、知覚不能なノイズを加えることで、ニューラルネットワークを欺くことができる。 トランスフォーマーバックボーンを持つ最近のオブジェクトトラッカーは、データセットの追跡に強いパフォーマンスを示している。 トランストラッカーはブラックボックス攻撃に対して耐性があるが、既存のホワイトボックス攻撃はこれらの新しいトランストラッカーに対して普遍的に適用できない。 我々は、予測対象のバイナリマスクを用いて、ロバストなトランスフォーマートラッカーをターゲットとする、新しいホワイトボックス攻撃であるTrackPGDを紹介する。
• 参考スコア（独自算出の注目度）: 6.115755665318123
• License:
• Abstract: Adversarial perturbations can deceive neural networks by adding small, imperceptible noise to the input. Recent object trackers with transformer backbones have shown strong performance on tracking datasets, but their adversarial robustness has not been thoroughly evaluated. While transformer trackers are resilient to black-box attacks, existing white-box adversarial attacks are not universally applicable against these new transformer trackers due to differences in backbone architecture. In this work, we introduce TrackPGD, a novel white-box attack that utilizes predicted object binary masks to target robust transformer trackers. Built upon the powerful segmentation attack SegPGD, our proposed TrackPGD effectively influences the decisions of transformer-based trackers. Our method addresses two primary challenges in adapting a segmentation attack for trackers: limited class numbers and extreme pixel class imbalance. TrackPGD uses the same number of iterations as other attack methods for tracker networks and produces competitive adversarial examples that mislead transformer and non-transformer trackers such as MixFormerM, OSTrackSTS, TransT-SEG, and RTS on datasets including VOT2022STS, DAVIS2016, UAV123, and GOT-10k.
• Abstract（参考訳）: 敵対的摂動は、入力に小さな、知覚不能なノイズを加えることで、ニューラルネットワークを欺くことができる。 トランスフォーマーバックボーンを持つ最近のオブジェクトトラッカーは、データセットの追跡に強い性能を示しているが、その逆のロバスト性は十分に評価されていない。 トランスフォーマートラッカーはブラックボックスアタックに対して耐性があるが、バックボーンアーキテクチャの違いにより、既存のホワイトボックスアタックはこれらの新しいトランスフォーマートラッカーに対して普遍的に適用できない。 本研究では,予測対象の2値マスクを用いてロバストなトランスフォーマートラッカーを標的とした新しいホワイトボックス攻撃であるTrackPGDを紹介する。 強力なセグメンテーション攻撃SegPGDに基づいて,提案したTrackPGDはトランスフォーマーベースのトラッカーの決定に効果的に影響を及ぼす。 本手法は,トラッカーに対するセグメンテーションアタックの2つの主要な課題に対処する。 TrackPGDはトラッカーネットワークの他の攻撃方法と同じ回数の繰り返しを使用し、VOT2022STS、DAVIS2016、UAV123、GAT-10kなどのデータセット上のMixFormerM、OSTrackSTS、TransT-SEG、RTSのようなトランスフォーマーや非トランスフォーマートラッカーを誤解させる競合相手の例を生成する。

関連論文リスト

• Adversarial Bounding Boxes Generation (ABBG) Attack against Visual Object Trackers [6.6810237114686615]
  敵対的摂動は、ニューラルネットワークを騙して不正確な結果を予測することを目的としている。 ビジュアルオブジェクトトラッカーでは、出力を操作することで摂動を発生させる敵攻撃が開発されている。 本稿では,1つのバウンディングボックスのみを用いて,トランスフォーマーバックボーンを用いた視覚オブジェクトトラッカーを攻撃するための,新しいホワイトボックス手法を提案する。
  論文  参考訳（メタデータ） (2024-11-26T14:30:36Z)
• Adaptively Bypassing Vision Transformer Blocks for Efficient Visual Tracking [11.361394596302334]
  ABTrackは、効率的な視覚追跡のためにトランスフォーマーブロックを適応的にバイパスする適応型計算フレームワークである。 本稿では,トランスブロックをバイパスすべきかどうかを判断するBypass Decision Module (BDM)を提案する。 本稿では,各トランスブロックにおけるトークンの潜在表現の次元を小さくする,新しいViTプルーニング手法を提案する。
  論文  参考訳（メタデータ） (2024-06-12T09:39:18Z)
• Reproducibility Study on Adversarial Attacks Against Robust Transformer Trackers [18.615714086028632]
  新しいトランスフォーマーネットワークはオブジェクトトラッキングパイプラインに統合され、最新のベンチマークで強いパフォーマンスを示している。 本稿では, 逆攻撃におけるトランスフォーマートラッカーの挙動と, パラメータの変化に伴うデータセットの追跡において, 異なる攻撃がどう作用するかを理解することに焦点を当てる。
  論文  参考訳（メタデータ） (2024-06-03T20:13:38Z)
• Tracking Meets LoRA: Faster Training, Larger Model, Stronger Performance [87.19164603145056]
  実験室レベルの資源をトラッキングするための大規模ViTモデルのパワーを明らかにする手法であるLoRATを提案する。 私たちの作業の本質は、推論レイテンシを追加することなく、モデルパラメータの小さなサブセットを微調整するテクニックであるLoRAを適用することです。 我々はPETRの適応のみに基づくアンカーフリーヘッドを設計し、計算オーバーヘッドを少なくして性能を向上する。
  論文  参考訳（メタデータ） (2024-03-08T11:41:48Z)
• Enhancing Tracking Robustness with Auxiliary Adversarial Defense Networks [1.7907721703063868]
  視覚的物体追跡におけるアドリアック攻撃は、高度なトラッカーの性能を著しく低下させた。 本稿では,入力画像に対して,トラッカーに入力する前に防御変換を行う,効果的な補助前処理防衛ネットワークであるAADNを提案する。
  論文  参考訳（メタデータ） (2024-02-28T01:42:31Z)
• Strong-TransCenter: Improved Multi-Object Tracking based on Transformers with Dense Representations [0.6144680854063939]
  トランスフォーマーネットワークは近年、様々なコンピュータビジョンタスクにおける最先端の性能を超えることができる多くの分野の研究の焦点となっている。 マルチプルオブジェクトトラッキング(MOT)のタスクでは、トランスフォーマーのパワーを活用することは、いまだに探索されていない。 この領域における先駆的な取り組みの中で、トランスフォーマーベースのMOTアーキテクチャで、オブジェクトクエリが密集しているTransCenterは、適切なランタイムを維持しながら、例外的なトラッキング機能を示した。 本稿では,トラック・バイ・ディテクト・パラダイムに基づく後処理機構を提案する。
  論文  参考訳（メタデータ） (2022-10-24T19:47:58Z)
• Efficient Visual Tracking with Exemplar Transformers [98.62550635320514]
  本稿では,リアルタイム物体追跡のための効率的な変換器であるExemplar Transformerを紹介する。 Exemplar Transformerレイヤを組み込んだビジュアルトラッカーであるE.T.Trackは、CPU上で47fpsで動作する。 これは、他のトランスモデルよりも最大8倍高速である。
  論文  参考訳（メタデータ） (2021-12-17T18:57:54Z)
• Towards Transferable Adversarial Attacks on Vision Transformers [110.55845478440807]
  視覚変換器(ViT)は、コンピュータビジョンの一連のタスクにおいて印象的なパフォーマンスを示してきたが、それでも敵の例に悩まされている。 本稿では、PNA攻撃とPatchOut攻撃を含むデュアルアタックフレームワークを導入し、異なるViT間での対向サンプルの転送性を改善する。
  論文  参考訳（メタデータ） (2021-09-09T11:28:25Z)
• 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)
• Cascaded Regression Tracking: Towards Online Hard Distractor Discrimination [202.2562153608092]
  本稿では,2段階の逐次回帰トラッカーを提案する。 第1段階では, 容易に同定可能な負の候補を抽出する。 第2段階では、残留するあいまいな硬質試料をダブルチェックするために、離散サンプリングに基づくリッジ回帰を設計する。
  論文  参考訳（メタデータ） (2020-06-18T07:48:01Z)
• 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。