针对对抗鲁棒行人重识别的去偏双不变防御
计算机视觉与模式识别
2025-11-14 v1
摘要
行人重识别（ReID）是许多实际应用中的基础任务，如行人轨迹跟踪。然而，高级深度学习ReID模型对对抗攻击极其敏感，处于不可察觉扰动的行人图像会导致完全错误的预测，构成重大安全威胁。虽然已提出许多针对分类任务的对抗防御策略，但其扩展到诸如行人ReID此类度量学习任务的研究仍相对不足。此外，现有针对行人ReID的若干防御方法未能解决对抗鲁棒ReID固有的独特挑战。本文系统性地识别了行人ReID对抗防御中的两个关键问题：模型偏差和复合泛化要求。为此，我们提出了去偏双不变防御框架，包含两个主要阶段。在数据平衡阶段，我们采用基于扩散模型的数据重抽策略来缓解模型偏差，促进训练数据的公平性和多样性。在双对抗自适应防御阶段，我们引入一种新颖的度量对抗训练方法，融合最远负样本软化技术，以克服缺乏分类器所致的鲁棒性下降。此外，我们引入对抗增强的自适应机制，以实现对未知身份和未知攻击类型的双重泛化。实验表明，我们的方法显著优于现有领先的对抗防御方法。
引用
@article{arxiv.2511.09933,
title = {Debiased Dual-Invariant Defense for Adversarially Robust Person Re-Identification},
author = {Yuhang Zhou and Yanxiang Zhao and Zhongyun Hua and Zhipu Liu and Zhaoquan Gu and Qing Liao and Leo Yu Zhang},
journal= {arXiv preprint arXiv:2511.09933},
year = {2025}
}
备注
Accepted by AAAI 2026