提高对人脸变形攻击的鲁棒性的四重损失
这篇研究论文提出了一种新方法,使用名为 TetraLoss 的损失函数,通过在嵌入空间中学习将合成的面部图像与其贡献者分开,从而提高基于深度学习的人脸识别系统对面部变形攻击的鲁棒性,并在全面评估中表现出明显优于其他基准方法。
Jan, 2024
本研究提供了一个包含 4 种不同类型的变形攻击的新数据集,并通过基于 OpenCV、FaceMorpher、WebMorph 和生成对抗网络(StyleGAN)的变形攻击实验,评估了现有人脸识别系统的风险程度,其中发现 VGG-Face 虽然与 FaceNet 相比精度较低,但更加抗变形攻击。此外,本文指出了使用 StyleGAN 生成的低级变形攻击对人脸识别系统不构成重大威胁。
Dec, 2020
本篇论文提出一种基于四元组损失和在线难负样本挖掘的四重神经网络用于人员再识别,相对于三元组损失,该方法在训练集和测试集中具有更好的泛化性能和更高的性能表现,并在多个代表性数据集上超过了大部分最先进算法,证明该方法的有效性。
Apr, 2017
本篇论文讨论了利用真实的人脸图像数据库训练和测试差分变形攻击检测算法的可行性。在进行多个不同后处理之后,使用不同的工具创建了人脸融合图像。通过实验表明,基于深度学习的差分变形攻击检测算法在各种后处理情形下可以实现非常高的检测性能和鲁棒性。
Jan, 2020
该文提出了一种简单的方法来学习人脸图像中对于识别最重要的部分并使卷积神经网络更好地学习所有区域的判别特征,同时,引入了一种新的损失函数 ——batch triplet loss,通过降低正负分数的标准差来改善 triplet loss 的性能,同时在 LFW 数据集中得到了显著的改进。
Jul, 2017
本文提出了一种新的差分变形攻击检测框架,使用深度 Siamese 网络,通过比较我们的模型与其他经典和深度学习模型,使用两个不同的变形数据集,VISAPP17 和 MorGAN,我们探索了由对比损失生成的嵌入空间,并使用欧几里得距离、特征差和支持向量机分类器、特征级联和支持向量机分类器三个决策框架。
Dec, 2020
本文提出了一种可解释的面部特征提取算法,能够检测真实和变形图像,用于单一变形攻击检测。该方法基于原始图像、形状、纹理、频率和压缩。利用此方法可以开发一个图形用户界面来协助边境警卫人员调查涉嫌的图像。在三种基于地标点的人脸变形方法和基于 StyleGAN 的变形方法上进行随机森林分类器的训练,其中 FRLL 数据库提供了变形图像。用于变形攻击检测,离散余弦变换方法在合成图像上获得了最佳结果,基于地标点的图像特征使用 BSIF 进行检测。
Apr, 2023
通过使用全局信息和局部详细信息的层次生成网络,结合面部区域外的伪影去除模块,我们提出了一种改进图像质量和保持身份的新型变形攻击方法,相对于现有攻击方法具有更高的模拟人眼能力和足够欺骗面部识别系统的威胁性。
Mar, 2024
通过在信号水平上选择关键策略,提出一种竞争式可取消方案的安全改进,以防止对人脸识别系统的敌对攻击。实验结果表明,基于最安全阈值的某些策略可以完全阻止迭代优化的敌对攻击,而对于最实用的阈值,攻击成功率可降低到约 5.0%。
Oct, 2023