利用上下文不一致性进行行人重识别中的多专家对抗攻击检测
计算机视觉与模式识别
2022-04-04 v2
摘要
深度神经网络（DNNs）的成功推动了行人重识别（ReID）的广泛应用。然而，ReID 系统继承了 DNN 对视觉上不显眼的对抗扰动恶意攻击的脆弱性。因此，对抗攻击检测是鲁棒 ReID 系统的基本要求。本工作中，我们提出一种多专家对抗攻击检测（MEAAD）方法，通过检查上下文不一致性来实现该目标，其适用于任何基于 DNN 的 ReID 系统。具体而言，利用对抗攻击引起的三类上下文不一致来学习一个区分扰动样本的探测器：a) 扰动查询行人图像与其前 K 个检索结果之间的嵌入距离通常大于良性查询图像与其前 K 个检索结果之间的距离；b) 扰动查询图像的前 K 个检索结果之间的嵌入距离大于良性查询图像的前 K 个检索结果之间的距离；c) 利用多个专家 ReID 模型获得的良性查询图像的前 K 个检索结果趋于一致，而在存在攻击时不保持该一致性。在 Market1501 和 DukeMTMC-ReID 数据集上的大量实验表明，作为首个面向 ReID 的对抗攻击检测方法，MEAAD 有效检测各类对抗攻击并达到高 ROC-AUC（超过 97.5%）。
引用
@article{arxiv.2108.09891,
title = {Multi-Expert Adversarial Attack Detection in Person Re-identification Using Context Inconsistency},
author = {Xueping Wang and Shasha Li and Min Liu and Yaonan Wang and Amit K. Roy-Chowdhury},
journal= {arXiv preprint arXiv:2108.09891},
year = {2022}
}
备注
Accepted at IEEE ICCV 2021