Sep, 2023

结合两种对抗攻击的人员再识别系统

PDF
TL;DR人物再识别（Re-ID）领域受到了深度神经网络的广泛关注，特别是图像分类。本文的焦点在于对 Re-ID 系统进行的对抗攻击，其可能对系统性能构成严重威胁。我们尝试对两种热门 Re-ID 模型（IDE（ResNet-50）和 AlignedReID）应用了两种类型的对抗攻击（P-FGSM 和 Deep Mis-Ranking），并在三个数据集上进行了实验，最佳结果在 Applied to CUHK03 的 AlignedReID 上展示了 Rank-10 度量指标下 3.36% 的降低。我们还尝试通过在推断过程中使用 Dropout 作为一种防御方法。
发现论文，激发创造
  • 深度误排名下可转移、可控及不引人注意的行人再识别对抗攻击

    本文使用学习到的失误排名公式对当前表现最佳的人物重新识别模型的不安全性进行检验，提出了一种借助多阶段网络体系结构的反向盒子攻击方法，研究人员在四大重新识别基准上进行了广泛的实验。

    Apr, 2020

  • 基于可对抗转换模式的物理世界攻击深度人像再识别

    本研究提出了一种名为 advPattern 的新伪装算法，利用此算法可以生成适用于衣服的对抗性伪装纹理，此举可用于冒充他人，躲避人员搜索等等。此外，该研究指出基于深度学习的行人再识别系统易受攻击。

    Aug, 2019

  • 人物再识别的对抗度量攻击与防御

    通过提出 Adversarial Metric Attack，本研究试图在 Person re-identification 中弥合分类训练和度量分析的差距，发现现有的距离度量方法对于人眼无法察觉的对抗样本十分脆弱，因此在应用于视频监控等领域时需要注意安全性，同时提出训练度量网络以抵御对抗攻击并推进度量学科对抗攻防技术的发展。

    Jan, 2019

  • 跨分辨率对抗双网络在人员身份识别及其扩展中的应用

    通过提出的生成对抗网络方法，该论文给出了一个用于解决跨分辨率人员重识别问题的方法，具有较强的抗噪能力和可泛化性。

    Feb, 2020

  • 利用上下文不一致性进行多专家对抗攻击检测的人员再辨识

    本文提出一种基于多专家的对抗攻击检测方法 (MEAAD)，通过检查上下文不一致性来实现对于基于深度神经网络的 ReID 系统的攻击检测，并在 Market1501 和 DukeMTMC-ReID 数据集上进行了实验，在第一个 ReID 的对抗攻击检测方法中被证明可以有效地检测各种攻击，并达到高的 ROC-AUC（超过 97.5%）。

    Aug, 2021

  • 恢复和识别：一种用于跨分辨率人员再识别的生成对偶模型

    本研究提出了一种新的生成对抗网络，以解决跨分辨率个体再识别问题，能够在保持分辨率不变的同时恢复低分辨率输入图像中的缺失细节，实验表明该方法在五个基准数据集上比现有技术表现更好，尤其是当输入分辨率在训练期间未被看到时。

    Aug, 2019

  • 可见 - 红外视频人物再识别的对抗自攻击防御和时空关系挖掘

    本文提出一种新的可见 - 红外视频人物再识别方法，从对抗性自攻击防御和时空关系挖掘的新角度解决了跨模态行人身份匹配的问题。同时，通过激活输入样本中包含的干扰信息来引入对抗性干扰，将对抗攻击和防御集成到一个框架中，并提出了一个以空间 - 时间信息引导的特征表示网络来提取更加稳健的特征。在大规模跨模态视频数据集上，该方法表现出了很好的性能。

    Jul, 2023

  • 对抗式开放世界人物再识别

    本研究基于深度学习和对抗学习提出了一种深度开放式人物重新识别模型 (APN)，它通过使用生成对抗网络生成逼真的假冒图片进行特征提取器攻击，同时攻击后让特征提取器学习更好的群组验证，解决了非目标人物相似造成的人物重新识别模型攻击问题。

    Jul, 2018

  • 用于人员再识别的多任务深度神经网络

    本文提出了一种多任务深度网络并联考虑二分类和排名任务，结合交叉域架构训练以解决人员再识别问题，实验结果表明，该方法有效性显著优于现有算法。

    Jul, 2016

  • 跨模态干扰协同攻击用于人物再识别

    本研究针对跨模态人物再识别（ReID）模型的安全性进行了首次探索，并提出了一种专门针对跨模态 ReID 的通用扰动攻击。该攻击利用不同模态数据的梯度优化扰动，从而破坏鉴别器并加强模态之间的差异，通过在 RegDB 和 SYSU 两个广泛使用的跨模态数据集上的实验证明了该方法的有效性，并为未来增强跨模态 ReID 系统的鲁棒性提供了见解。

    Jan, 2024