面部属性是否具有对抗鲁棒性？

面部属性正成为新兴的软生物特征，有潜力拒绝非匹配项，例如基于不匹配的性别。要在独立系统中可用，必须自动可靠地从图像中提取面部属性。本文提出一种简单而有效的自动面部属性提取方案，通过为每个面部属性单独训练深度卷积神经网络(DCNN)，不使用任何预训练或数据集增强，并在 CelebA 基准上获得新的最先进面部属性分类结果。为测试网络稳定性，我们生成了对抗图像——通过对原始输入添加不可感知的非随机扰动导致分类错误——通过一种新颖的快速翻转属性(FFA)技术。我们展示 FFA 比其他相关算法生成更多对抗样本，并且某些属性的 DCNN 通常对对抗输入鲁棒，而其他则不然。该结果令人惊讶，因为迄今测试过的 DCNN 在没有显式增强训练过程以考虑对抗样本的情况下，未表现出对对抗图像的鲁棒性。最后，我们引入自然对抗样本的概念，即被误分类但可通过施加小扰动轻易变为正确分类的图像。我们证明自然对抗样本普遍出现，甚至在训练集中，并展示许多这些图像即使增加训练轮数仍被误分类。这一现象令人惊讶，因为纠正误分类，尤其在训练数据引导下，应只需对 DCNN 参数进行小调整。