Inter-frame Accelerate Attack against Video Interpolation Models

要約

タイトル：　ビデオ補間モデルに対する時間フレーム間攻撃

要約：

– 映像品質を向上させるために、VIF（ビデオフレーム補間）を目的とした深層学習ベースの手法は過去数年間にわたって高度に開発されてきました。
– この論文では、VIFモデルの敵対的なロバスト性を調べました。
– 我々は、VIFモデルに対して敵対的攻撃を加え、VIFモデルが非常に脆弱であることを発見しました。
– 攻撃効率を改善するために、ビデオフレーム補間タスクの特性を最大限に活用することを提案しています。
– 隣接するフレーム間の差は小さいため、対応する敵対的な摂動も類似するという直感があります。
– そこで、前の隣接フレームの摂動を摂動の初期値として設定し、攻撃イテレーションの数を減らすという新しい攻撃方法「Inter-frame Accelerate Attack（IAA）」を提案しています。
– この方法は従来の方法と比較して同等の攻撃性能を発揮しながら、攻撃効率を大幅に向上させることができることが示されています。
– さらに、我々はこの方法をビデオ認識モデルに拡張し、高度なビジョンタスクを行なっている場合でも攻撃効率を大きく向上させることができました。

要約(オリジナル)

Deep learning based video frame interpolation (VIF) method, aiming to synthesis the intermediate frames to enhance video quality, have been highly developed in the past few years. This paper investigates the adversarial robustness of VIF models. We apply adversarial attacks to VIF models and find that the VIF models are very vulnerable to adversarial examples. To improve attack efficiency, we suggest to make full use of the property of video frame interpolation task. The intuition is that the gap between adjacent frames would be small, leading to the corresponding adversarial perturbations being similar as well. Then we propose a novel attack method named Inter-frame Accelerate Attack (IAA) that initializes the perturbation as the perturbation for the previous adjacent frame and reduces the number of attack iterations. It is shown that our method can improve attack efficiency greatly while achieving comparable attack performance with traditional methods. Besides, we also extend our method to video recognition models which are higher level vision tasks and achieves great attack efficiency.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI