FACESEC：一种面向人脸识别系统的细粒度鲁棒性评估框架
计算机视觉与模式识别
2021-04-12 v1 机器学习
摘要
我们提出 FACESEC，一个用于人脸识别系统细粒度鲁棒性评估的框架。FACESEC 的评估沿对抗建模的四个维度展开：扰动的性质（例如像素级或面部配饰）、攻击者的系统知识（关于训练数据和学习架构）、目标（躲避或冒充）以及能力（针对单个输入或跨输入集合定制）。我们使用 FACESEC 在闭集和开集设置下研究了五个人脸识别系统，并评估了针对这些系统上物理可实现攻击的最先进防御方法。我们发现，在黑盒攻击中，对神经架构的准确了解远比训练数据知识重要。此外，我们观察到在不同类型攻击下，开集人脸识别系统比闭集系统更脆弱。然而，针对其他威胁模型变化的攻击效力似乎高度依赖于扰动的性质和神经网络架构。例如，涉及对抗性面部掩码的攻击通常更强效，即使对对抗训练模型也是如此，且 ArcFace 架构往往比其他架构更鲁棒。
引用
@article{arxiv.2104.04107,
title = {FACESEC: A Fine-grained Robustness Evaluation Framework for Face Recognition Systems},
author = {Liang Tong and Zhengzhang Chen and Jingchao Ni and Wei Cheng and Dongjin Song and Haifeng Chen and Yevgeniy Vorobeychik},
journal= {arXiv preprint arXiv:2104.04107},
year = {2021}
}
备注
Accepted by CVPR'21