BriefGPT - AI 论文速递
·
通过探索模型后验空间来增强基于骨骼的动作识别中的对抗迁移能力
💡
原文中文，约600字，阅读约需2分钟。
📝
内容提要
本研究探讨了基于骨骼的人类活动识别（S-HAR）的敌对可转移性，并通过平滑损失函数景观和后期训练的双贝叶斯策略成功提高了S-HAR的敌对可转移性。评估结果显示，传递成功率分别为35.9％和45.5％，高于现有攻击方法。研究还提供了关于替代模型可转移性的见解。
🎯
关键要点
- 本研究探讨了基于骨骼的人类活动识别（S-HAR）的敌对可转移性。
- 通过平滑损失函数景观和后期训练的双贝叶斯策略成功提高了S-HAR的敌对可转移性。
- 评估结果显示，传递成功率分别为35.9％和45.5％，高于现有攻击方法。
- 现有攻击方法在未知的S-HAR模型间难以传递，主要原因是动作识别器的损失函数景观崎岖且陡峭。
- 假设并经验证，平滑损失函数景观可能会提高S-HAR上的敌对可转移性。
- 提出了一种新的后期训练的双贝叶斯策略，有效探索模型后验空间的一组替代模型。
- 结合贝叶斯方式的攻击梯度与运动动力学信息，构建沿着动作流形的敌对样本。
- 在基准数据集（如HDM05和NTU 60）上进行评估，平均传递成功率显著高于现有最先进的骨骼攻击。
- 高敌对可转移性在各种替代模型、受害者模型甚至防御模型之间保持一致。
- 提供了关于哪些替代模型更可能呈现可转移性的见解，为未来研究提供了启示。
🏷️
标签
➡️
