1、立项背景和目标:针对主流视频识别系统开发对抗攻击能力,测试深度学习模型的鲁棒性与安全性。项目目标是实现视频帧级对抗样本的自动化生成,验证目标模型在对抗扰动下的误判率。
2、软件功能和核心模块:支持CPU和GPU双版本运行,包含视频解码与帧序列提取、基于TensorFlow的对抗扰动生成(FGSM/PGD等算法)、扰动后视频重组编码、攻击效果评估(扰动强度、PSNR、攻击成功率)四大模块。
3、业务流程:输入待测试视频 → 帧序列提取 → 选择攻击算法与参数 → 逐帧注入对抗扰动 → 视频编码输出 → 喂入目标识别模型测试 → 统计攻击成功率与扰动质量指标。
1、整体架构:采用分层模块化设计,视频处理层基于FFmpeg实现视频解码与帧序列提取,对抗生成层基于TensorFlow实现PGD/FGSM攻击算法,评估层计算扰动强度(PSNR/SSIM)和攻击成功率,各层通过统一接口解耦调用。
2、我的负责模块:全栈独立实现。包括视频帧处理流水线(支持720P/1080P实时处理)、GPU加速批量帧扰动生成(CUDA张量并行优化)、CPU适配降级方案、对抗样本验证与结果可视化。攻击成功率达90%以上,单帧处理耗时控制在50ms以内。