超越通用行人重识别攻击
计算机视觉与模式识别
2020-12-15 v3
摘要
基于深度学习的行人重识别（Re-ID）近来取得了巨大进展并实现了高性能。在本文中，我们首次尝试检验当前行人Re-ID模型面对一种危险攻击方法（即通用对抗扰动（UAP）攻击）的脆弱性，该攻击已被证明能以极小开销欺骗分类模型。我们提出了一种更具通用性的对抗扰动（MUAP）方法，用于图像无关且模型不敏感的行人Re-ID攻击。首先，我们采用列表式攻击目标函数直接破坏相似性排序列表。其次，我们提出一种用于跨模型攻击的模型不敏感机制。大量实验表明，所提出的攻击方法实现了高攻击性能，并在跨模型场景下大幅优于其他state of the arts。结果还证明了当前Re-ID模型对MUAP的脆弱性，并进一步表明需要设计更鲁棒的Re-ID模型。
引用
@article{arxiv.1910.14184,
title = {Beyond Universal Person Re-ID Attack},
author = {Wenjie Ding and Xing Wei and Rongrong Ji and Xiaopeng Hong and Qi Tian and Yihong Gong},
journal= {arXiv preprint arXiv:1910.14184},
year = {2020}
}