RADAP：一种针对人脸识别中多种对抗补丁的鲁棒自适应防御方法
计算机视觉与模式识别
2023-11-30 v1 密码学与安全
摘要
由深度学习驱动的人脸识别（FR）系统已广泛应用于各种场景。然而，它们易受对抗攻击，尤其是那些可物理施加于真实世界物体的局部对抗补丁攻击。本文中，我们提出 RADAP，一种在闭集与开集 FR 系统中抵御多种对抗补丁的鲁棒自适应防御机制。RADAP 采用创新技术，如 FCutout 和 F-patch，其利用傅里叶空间采样掩码来提升 FR 模型的遮挡鲁棒性与补丁分割器的性能。此外，我们引入边缘感知二元交叉熵（EBCE）损失函数以增强补丁检测的准确性。我们还提出分割与填充（SAF）策略，旨在应对补丁分割器对完整白盒自适应攻击的脆弱性。我们进行了全面实验以验证 RADAP 的有效性，结果表明其在抵御各种对抗补丁的防御性能上有显著提升，同时保持比未防御的 Vanilla 模型更高的干净准确率。
引用
@article{arxiv.2311.17339,
title = {RADAP: A Robust and Adaptive Defense Against Diverse Adversarial Patches on Face Recognition},
author = {Xiaoliang Liu and Furao Shen and Jian Zhao and Changhai Nie},
journal= {arXiv preprint arXiv:2311.17339},
year = {2023}
}