图像级自适应对抗排名用于个人重新识别.

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 网络安全 网络安全

背景情况:

• 深度神经网络是脆弱的,限制了智能安全中的个人重新识别 (ReID).
• 对ReID系统的现有攻击通常集中在对抗样本或度量距离中断上.
• 评估ReID的稳定性需要全面考虑对抗样本和度量距离.

研究的目的:

• 为强大的ReID模型评估提出一个图像级的自适应对抗性排名方法.
• 制定一个能适应现实世界的行人变化和对抗性环境的策略.
• 综合评估ReID方法对复杂攻击的安全性.

主要方法:

• 图像表示增强模块使用通道智能信息和生成对抗网络来创建精细的对抗样本.
• 通过调整样本距离,引入了适应性重量混排名损失来扰乱排名.
• 该方法是自适应性的,不需要额外的超参数或训练数据.

主要成果:

• 提出的方法有效地产生了精细的对抗性样本,具有更丰富的信息内容.
• 排名的自适应性扰动通过操纵样本距离,成功地干扰了系统性能.
• 在Market1501,CUHK03和DukeMTMC数据集上的实验表明,在攻击ReID系统方面具有显著的有效性.

结论:

• 图像级自适应对抗排名方法为评估ReID安全提供了一个全面的方法.
• 这种适应性攻击策略增强了对 ReID 模型在敌对环境中的漏洞的理解.
• 这些发现对于开发更强大,更安全的个人重新识别系统来实现智能安全至关重要.