Jan, 2019

对抗性查询有谁害怕？图像修改对基于内容图像检索的影响

PDF
TL;DR该论文分析了针对基于神经网络、局部和全局特征的基于内容图像检索的对抗查询。作者引入了一种创新的神经网络图像扰动方法，称为图像检索错误的扰动（PIRE），能够阻止基于神经特征的 CBIR 检索。作者的实验分析证明了 PIRE 的惊人有效性，并比较了 PIRE 与以前的关键点去除和注入方法。最后，作者讨论了未来多媒体研究人员在对抗查询研究中面临的挑战。
adversarial queriescontent-based image retrievalneural featureslocal featuresglobal features
发现论文，激发创造
  • QAIR: 实用的查询效率高的黑盒攻击图像检索

    本研究通过 Quantifying the Attack Effects on the Partial Retrieved List 方法，提出了第一种针对黑盒情况下图片检索的基于查询的攻击（QAIR）方法，并采用了新的基于相关性的损失设计和递归模型窃取方法，通过少量请求，成功地欺骗了 Bing 视觉搜索这样的商业系统。

    Mar, 2021

  • 图像检索的通用扰动攻击

    首次尝试以攻击图像检索系统为目标，利用新的方法生成反检索通用对抗扰动，通过降低相关的排名度量来打破图像特征之间的邻域关系。我们的方法通过多尺度随机调整大小的方案和排名蒸馏策略扩展攻击方法，并在四个广泛使用的图像检索数据集上进行了评估。在不同度量方面，如 mAP 和 mP @ 10 等，报告了显着的性能下降。最后，我们在实际的视觉搜索引擎 Google Images 上测试了我们的攻击方法，证明了我们的方法的实际潜力。

    Dec, 2018

  • 面向查询高效的黑盒攻击：一种无输入视角

    本文提出了一种名为 “无需输入” 的攻击方法，用于深度神经网络的对抗攻击，该方法不需要进行大量的查询，可以通过任意图像添加可以感知的扰动来生成对抗性图像。该方法通过灰度图像的初始化和局部扰动与平铺技术来显着降低了查询复杂度，并成功击败了 Clarifai 食品检测 API 和百度动物识别 API。

    Sep, 2018

  • AIRD: 图像再用检测的对抗性学习框架

    本文提出了一种基于真实世界的对抗交互的图像再利用检测方法，包括坏人和看门狗，并利用参考数据集检测图像语义一致性，可用于识别图像再利用造成的谣言和宣传。

    Mar, 2019

  • 生成对抗扰动

    该研究提出了新型生成模型，用于制造近似自然图像但又能欺骗先前训练好的模型的略微扰动的对抗性样本。通过在具有挑战性的高分辨率数据集上的实验，它证明了这种扰动具有高弄虚率和较小的扰动规模，并且比当前的迭代方法更快。

    Dec, 2017

  • 难以感知对抗图像扰动的反向工程

    该研究旨在研究如何从对手的图像中逆向工程出对手干扰， 并提出了一个新的逆向工程欺骗（RED）方法，其中结合了 RED 原则和图像去噪方法，称为 CDD-RED，以增加其泛化能力，对多种攻击方法均具有效性。

    Mar, 2022

  • 对抗通用扰动防御

    本文提出了一个 Perturbation Rectifying Network (PRN) 框架，通过学习实际和合成的图像通用扰动，和在 PRN 的输入和输出差异的离散余弦变换上独立训练的检测器，从而有效地保护深度学习网络免受任何图像的通用对抗性扰动的影响。

    Nov, 2017

  • 预防性图像稳健处理以保护用户免受中间人攻击

    本论文提出了一种新颖的双层优化算法，该算法可以在自然图像环境下找到对抗扰动鲁棒的点，有效提高图像识别的鲁棒性。

    Dec, 2021

  • 逆向特征查询攻击：迈向鲁棒图像检索

    该研究提出了一种新的针对图像检索任务的白盒对抗攻击方法，名为 ODFA，该方法可以利用特征级别的对抗梯度和表征空间中的特征距离，生成具有欺骗性的查询，而非预测类别，这大大提高了攻击成功率，并且这种对抗查询具有很好的迁移性。

    Sep, 2018

  • 高效率黑盒对抗样本查询（已被取代）

    本文提出了一种新的方法，利用自然进化策略在黑盒攻击下生成可靠的对抗样本，并通过新的算法在部分信息下进行有针对性的攻击，无需使用梯度，可以使用少量的请求操作，成功地对商业部署的机器学习系统进行了第一次有针对性的攻击。

    Dec, 2017