更近审视你的敌人：基于师生模仿的学习攻击方法
计算机视觉与模式识别
2023-12-05 v4
摘要
深度神经网络显著推进了工业互联网领域中行人重识别（ReID）应用，但它们仍然脆弱。因此，研究ReID系统的鲁棒性至关重要，因为存在攻击者利用这些漏洞破坏工业监控系统的风险。当前的对抗方法侧重于利用受害模型（VMs）的误分类反馈生成攻击样本，忽视了VM的认知过程。我们试图通过VM认知解密来产生真实的ReID攻击实例以解决此问题。该方法具有更好的开放集ReID测试可迁移性、更易误导VM、以及增强生成真实且不可检测的攻击图像等优势。然而，解密VM中认知机制的任务被广泛认为是一项艰巨挑战。本文中，我们提出一种新颖的不显眼且可控的ReID攻击基线LCYE（Look Closer to Your Enemy），用于生成对抗查询图像。具体而言，LCYE首先通过师生记忆模仿代理任务来蒸馏VM的知识。该知识先验作为一种明确的密码令牌，封装了VM认为不可或缺且合理的元素，旨在促进精确的对抗误导。此外，受益于LCYE的多重对立任务框架，我们从对抗攻击的视角研究了ReID模型的可解释性与泛化性，包括跨域适应、跨模型共识与在线学习过程。在四个ReID基准上的大量实验表明，我们的方法在白盒、黑盒与目标攻击中以大幅优势优于其他state-of-the-art攻击者。源代码见 https://github.com/MingjieWang0606/LCYE-attack_reid。
引用
@article{arxiv.2207.13381,
title = {Look Closer to Your Enemy: Learning to Attack via Teacher-Student Mimicking},
author = {Mingjie Wang and Jianxiong Guo and Sirui Li and Dingwen Xiao and Zhiqing Tang},
journal= {arXiv preprint arXiv:2207.13381},
year = {2023}
}