MakeupAttack：基于妆容迁移的人脸识别特征空间黑箱后门攻击
计算机视觉与模式识别
2024-08-23 v1
摘要
后门攻击对深度神经网络(DNN)的训练过程构成严重威胁。作为实际场景中广泛使用的基于 DNN 的应用，嵌入后门的人脸识别系统可能造成严重后果。人脸识别的后门研究仍处于早期阶段，现有后门触发器相对简单且可见。此外，由于面部数据集的感知性、多样性和相似性，许多最先进的后门攻击在人脸识别任务上失去效力。在本工作中，我们提出一种新颖的特征空间后门攻击方法，通过妆容迁移针对人脸识别，称为 MakeupAttack。与许多特征空间攻击需要对目标模型完全访问权限不同，本方法仅需要模型查询，遵循黑箱攻击原则。在我们的攻击中，我们设计一种迭代训练范式来学习所提议妆容风格触发器的细微特征。此外，MakeupAttack 使用自适应选择方法促进触发器的多样性，将恶意样本的特征分布分散，以规避现有防御方法。在两个广泛使用的人脸数据集上进行了大量实验，针对多个模型。结果表明，我们提出的攻击方法能够绕过现有的先进防御措施，同时保持有效性、鲁棒性、自然性和隐蔽性，而不会影响模型性能。
引用
@article{arxiv.2408.12312,
title = {MakeupAttack: Feature Space Black-box Backdoor Attack on Face Recognition via Makeup Transfer},
author = {Ming Sun and Lihua Jing and Zixuan Zhu and Rui Wang},
journal= {arXiv preprint arXiv:2408.12312},
year = {2024}
}