面向可靠深度哈希检索的语义感知对抗训练
计算机视觉与模式识别
2024-10-04 v2 机器学习
多媒体
摘要
深度哈希因其高效与有效而被深入研究并成功应用于大规模图像检索系统。近期研究认识到对抗样本的存在对深度哈希模型构成安全威胁，即对抗脆弱性。值得注意的是，为深度哈希高效提炼可靠的语义代表以引导对抗学习颇具挑战，这阻碍了基于深度哈希的检索模型对抗鲁棒性的提升。此外，当前深度哈希的对抗训练研究难以形式化为统一的极小极大结构。本文探索语义感知对抗训练（SAAT）以提升深度哈希模型的对抗鲁棒性。具体而言，我们构想了判别性主干特征学习（DMFL）方案，以构建语义代表来引导深度哈希中的对抗学习。特别地，我们的 DMFL 具有严格理论保证，并以判别学习方式自适应优化，联合考量了判别性与语义性。此外，通过对抗样本与主干特征之间哈希码的汉明距离最大化来制造对抗样本，其有效性在对抗攻击试验中得以验证。进一步，我们首次在生成的主干码引导下，将深度哈希的形式化对抗训练表述为统一的极小极大优化。在基准数据集上的大量实验显示出优于 SOTA 算法的攻击性能，同时所提对抗训练能有效消除对抗扰动，实现可信的深度哈希检索。我们的代码见 https://github.com/xandery-geek/SAAT。
引用
@article{arxiv.2310.14637,
title = {Semantic-Aware Adversarial Training for Reliable Deep Hashing Retrieval},
author = {Xu Yuan and Zheng Zhang and Xunguang Wang and Lin Wu},
journal= {arXiv preprint arXiv:2310.14637},
year = {2024}
}