用于对抗鲁棒图像检索的感知坍塌的三元组解耦
计算机视觉与模式识别
2025-08-14 v4
摘要
对抗训练在保护图像检索免受对抗样本攻击方面取得了显著成效。然而，现有的深度度量学习（DML）研究仍存在两个主要局限：弱对抗性和模型坍塌。在本文中，我们通过提出感知坍塌的三元组解耦（CA-TRIDE）来解决这两个局限。具体而言，TRIDE 通过在空间上将扰动目标解耦为锚点和其余候选点，从而生成更强的对抗样本。此外，CA 基于一种名为“坍塌度”的新型度量指标来防止由此引发的模型坍塌，该指标被纳入扰动的优化过程中。我们还指出了现有图像检索鲁棒性指标的两个缺陷，并提出了一种新指标以进行更合理的鲁棒性评估。在三个数据集上的大量实验表明，无论是在传统指标还是新指标下，CA-TRIDE 均优于现有的防御方法。代码可在 https://github.com/michaeltian108/CA-TRIDE 获取。
引用
@article{arxiv.2312.07364,
title = {Collapse-Aware Triplet Decoupling for Adversarially Robust Image Retrieval},
author = {Qiwei Tian and Chenhao Lin and Zhengyu Zhao and Qian Li and Chao Shen},
journal= {arXiv preprint arXiv:2312.07364},
year = {2025}
}
备注
Accepted by ICML2024