面部属性：准确性与对抗鲁棒性
计算机视觉与模式识别
2018-04-23 v2
摘要
面部属性作为一种新兴的软生物特征，必须能从图像中自动且可靠地提取，以便在独立系统中可用。尽管近期方法使用在标注面部属性数据上训练的深度神经网络（DNN）提取面部属性，但深度属性表示的鲁棒性尚未得到评估。在本文中，我们通过生成对抗样本（通过对输入添加小的非随机扰动以产生改变的分类）来检验若干近期在 CelebA 基准上推进了最优性能的方法的表示稳定性。我们展示了我们的快速翻转属性（FFA）技术比传统算法生成更多的对抗样本，且 DNN 的对抗鲁棒性在面部属性之间差异很大。我们还测试了面部属性的相关性，发现仅对相关属性，所形成的对抗扰动会改变其他属性的分类。最后，我们引入了自然对抗样本的概念，即预测可通过小扰动纠正的误分类图像。我们证明自然对抗样本普遍出现，并表明许多此类图像即使增加训练轮数仍被误分类，尽管其正确分类可能仅需对网络参数进行微小调整。
引用
@article{arxiv.1801.02480,
title = {Facial Attributes: Accuracy and Adversarial Robustness},
author = {Andras Rozsa and Manuel Günther and Ethan M. Rudd and Terrance E. Boult},
journal= {arXiv preprint arXiv:1801.02480},
year = {2018}
}
备注
arXiv admin note: text overlap with arXiv:1605.05411