Emotion Loss Attacking: Adversarial Attack Perception for Skeleton based on Multi-dimensional Features

要約

骨格の動きに対する敵対的攻撃がホットな話題です。
しかし、既存の研究では、スケルトングラフシーケンス間の距離を測定する際に動的特徴の一部しか考慮していないため、知覚不可能性が低くなります。
この目的を達成するために、我々は骨格運動の動作認識装置を攻撃するための新しい敵対的攻撃方法を提案します。
まず、私たちの方法は、骨格の動きの違いを測定するための動的距離関数を体系的に提案します。
その一方で、補完的な情報として感情的な特徴を革新的に導入しています。
さらに、制約付き最適化問題を解決するために Alternating Direction Method of Multipliers (ADMM) を使用します。これにより、分類子を欺くためのより知覚されにくい敵対的サンプルが生成されます。
実験では、私たちの方法が複数のアクション分類子とデータセットに対して効果的であることが示されています。
l ノルムによって測定された摂動の大きさが同じである場合、私たちの方法によって生成される動的摂動は他の方法よりもはるかに小さくなります。
さらに、私たちは感情的特徴の有効性を初めて証明し、骨格運動間の距離を測定するための新しいアイデアを提供します。

要約(オリジナル)

Adversarial attack on skeletal motion is a hot topic. However, existing researches only consider part of dynamic features when measuring distance between skeleton graph sequences, which results in poor imperceptibility. To this end, we propose a novel adversarial attack method to attack action recognizers for skeletal motions. Firstly, our method systematically proposes a dynamic distance function to measure the difference between skeletal motions. Meanwhile, we innovatively introduce emotional features for complementary information. In addition, we use Alternating Direction Method of Multipliers(ADMM) to solve the constrained optimization problem, which generates adversarial samples with better imperceptibility to deceive the classifiers. Experiments show that our method is effective on multiple action classifiers and datasets. When the perturbation magnitude measured by l norms is the same, the dynamic perturbations generated by our method are much lower than that of other methods. What’s more, we are the first to prove the effectiveness of emotional features, and provide a new idea for measuring the distance between skeletal motions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google