面向人员重识别的人形生成攻击的学习型可迁移方法
计算机视觉与模式识别
2025-04-17 v2
摘要
深度学习的人形重识别（re-id）模型广泛应用于监控系统中，必然继承了深度网络对对抗攻击的脆弱性。现有攻击仅考虑跨数据集和跨模型的可迁移性，忽略了针对不同领域训练模型的跨测试能力。为强力检验实际场景中 re-id 模型的鲁棒性，提出了元传输可迁移生成攻击（Meta Transferable Generative Attack, MTGA）方法，采用元学习优化，以促进生成式攻击者产生高度可迁移的对抗样本，通过学习综合模拟的跨模型\&跨数据集\&跨测试黑盒元攻击任务。具体而言，通过选择不同的 re-id 模型和数据集用于元训练和元测试攻击过程，模拟跨模型\&跨数据集的黑盒攻击任务。由于不同模型可能关注不同的特征区域，进一步设计了扰动随机擦除模块，以防止攻击者仅学习破坏模型特定特征。为提升攻击者学习跨测试可迁移性，引入归一化混合策略，通过混合多个目标模型的统计信息来模拟多样化的特征嵌入空间。大量实验表明，MTGA 的卓越性，尤其是在跨模型\&跨数据集和跨模型\&跨数据集\&跨测试攻击中，MTGA 在平均 mAP 降低率上分别超过 SOTA 方法 21.5\% 和 11.3\%。本文的代码将在论文被接受后公开。
引用
@article{arxiv.2409.04208,
title = {Learning to Learn Transferable Generative Attack for Person Re-Identification},
author = {Yuan Bian and Min Liu and Xueping Wang and Yunfeng Ma and Yaonan Wang},
journal= {arXiv preprint arXiv:2409.04208},
year = {2025}
}