基于特征正则对抗训练的视觉跟踪对抗鲁棒性提升方法

摘要

该文首先基于对抗特征与原始特征在不同卷积尺度下产生分离这一经验观察，提出了特征正则化损失以使二者在特征空间中实现对齐。其次，针对目标跟踪任务的双图像输入特性，创新性地设计了适配深度跟踪网络的对抗训练框架。该框架利用特征正则化损失指导对抗样本生成，有效引导网络在对抗训练中学习鲁棒特征表示，从而显著提升目标跟踪模型的对抗鲁棒性。最后，在公开数据集上的对比实验证明，提出的方法能够在自适应攻击场景下获得最优的性能，同时能够在异构跟踪器间实现有效迁移，且在干净样本上保持有限的精度损失。

关键词

视觉单目标跟踪 / 对抗防御技术 / 对抗训练 / 计算机视觉