Adv-Makeup：一种针对人脸识别的新型不可感知且可迁移的攻击方法
计算机视觉与模式识别
2021-05-10 v1
摘要
深度神经网络，尤其是人脸识别模型，已被证明对数字和物理对抗样本均脆弱。然而，现有针对人脸识别系统的对抗样本要么缺乏对黑盒模型的可迁移性，要么无法在实际中实施。本文提出一种统一的对抗人脸生成方法——Adv-Makeup，可在黑盒设定下实现不可感知且可迁移的攻击。Adv-Makeup开发了一种任务驱动的妆容生成方法，结合混合模块在人脸眼周区域合成不可感知的眼影。为实现可迁移性，Adv-Makeup采用细粒度元学习对抗攻击策略，从多种模型中学习更具通用性的攻击特征。与现有技术相比，充分的可视化结果表明Adv-Makeup能在数字与物理场景下生成远不可感知的攻击。同时，大量定量实验表明Adv-Makeup可显著提升黑盒设定下的攻击成功率，甚至攻击商业系统。
引用
@article{arxiv.2105.03162,
title = {Adv-Makeup: A New Imperceptible and Transferable Attack on Face Recognition},
author = {Bangjie Yin and Wenxuan Wang and Taiping Yao and Junfeng Guo and Zelun Kong and Shouhong Ding and Jilin Li and Cong Liu},
journal= {arXiv preprint arXiv:2105.03162},
year = {2021}
}
备注
8 pages, 6 figures, 1 tables, 1 algorithm, To appear in IJCAI 2021 as a regular paper