CgAT：面向基于深度哈希检索的中心引导对抗训练
计算机视觉与模式识别
2023-03-28 v6 人工智能
密码学与安全
机器学习
摘要
深度哈希因其高效性和有效性被广泛应用于海量图像检索。然而，深度哈希模型易受对抗样本攻击，因此为图像检索开发对抗防御方法至关重要。现有方案因使用弱对抗样本进行训练且缺乏用于学习鲁棒特征的判别性优化目标，防御性能有限。本文提出一种基于极小极大策略的中心引导对抗训练方法，即 CgAT，通过最坏对抗样本提升深度哈希网络的鲁棒性。具体而言，我们首先将中心码公式化为输入图像内容在语义上具有判别性的代表，其保持与正样本的语义相似性以及与负样本的不相似性。我们证明可用一个数学公式立即计算中心码。在深度哈希网络的每次优化迭代中获得中心码后，将其用于引导对抗训练过程。一方面，CgAT 通过最大化对抗样本哈希码与中心码之间的汉明距离，生成最坏对抗样本作为增广数据。另一方面，CgAT 通过学习最小化到中心码的汉明距离来减轻对抗样本的影响。在基准数据集上的大量实验证明了我们的对抗训练算法在防御基于深度哈希的检索所受对抗攻击方面的有效性。与当前最先进的防御方法相比，我们在 FLICKR-25K、NUS-WIDE 和 MS-COCO 上分别显著提升了 18.61%、12.35% 和 11.56% 的防御性能。代码见 https://github.com/xunguangwang/CgAT。
引用
@article{arxiv.2204.10779,
title = {CgAT: Center-Guided Adversarial Training for Deep Hashing-Based Retrieval},
author = {Xunguang Wang and Yiqun Lin and Xiaomeng Li},
journal= {arXiv preprint arXiv:2204.10779},
year = {2023}
}