模式识别与人工智能
2025年4月4日 星期五   首 页     期刊简介     编委会     投稿指南     伦理声明     联系我们                                                                English
模式识别与人工智能  2022, Vol. 35 Issue (6): 483-496    DOI: 10.16451/j.cnki.issn1003-6059.202206001
“基于深度学习的目标检测与识别”专题 最新目录| 下期目录| 过刊浏览| 高级检索 |
多尺度梯度对抗样本生成网络
石磊1, 张晓涵1, 洪晓鹏1,2, 李吉亮1, 丁文杰3, 沈超1
1.西安交通大学 网络空间安全学院 西安 710049;
2.哈尔滨工业大学 计算学部 哈尔滨 150001;
3.北京旷视科技有限公司 北京 100080
Multi-scale Gradient Adversarial Examples Generation Network
SHI Lei1, ZHANG Xiaohan1, HONG Xiaopeng1,2, LI Jiliang1, DING Wenjie3, SHEN Chao1
1. School of Cyber Science and Engineering, Xi'an Jiaotong University, Xi'an 710049;
2. Faculty of Computing, Harbin Institute of Technology, Harbin 150001;
3. Beijing Megvii Technology Co., Ltd., Beijing 100080

全文: PDF (2839 KB)   HTML (1 KB) 
输出: BibTeX | EndNote (RIS)      
摘要 传统的行人重识别(Person Re-identification, ReID)对抗攻击方法存在需要依赖注册集(Gallery)以生成对抗样本或样本生成方式过于单一等局限.为了解决此问题,文中提出具有强攻击性的ReID对抗攻击模型,即多尺度梯度对抗样本生成网络(Multi-scale Gradient Adversarial Examples Generation Network, MSG-AEGN).MSG-AEGN采用多尺度的网络结构,获得不同语义级别的原始样本输入和生成器中间特征.利用注意力调制模块将生成器中间特征转换成多尺度权重,从而对原始样本像素进行调制,最终输出高质量的对抗样本以迷惑ReID模型.在此基础上,提出基于图像特征平均距离和三元组损失的改进型对抗损失函数,约束和引导MSG-AEGN的训练.在Market1501、CUHK03、DukeMTMC-reID这3个行人重识别数据集上的实验表明,MSG-AEGN对基于深度卷积神经网络和基于变形器网络(Transformer)的主流Re-ID方法均具有较好的攻击效果.此外,MSG-AEGN具有所需攻击能量较低且对抗样本与原始图像的结构相似度较高的优点.
服务
把本文推荐给朋友
加入我的书架
加入引用管理器
E-mail Alert
RSS
作者相关文章
石磊
张晓涵
洪晓鹏
李吉亮
丁文杰
沈超
关键词 行人重识别多尺度生成对抗网络对抗攻击改进型对抗损失    
Abstract:Traditional person re-identification(ReID) adversarial attack methods hold some limitations, such as the dependence on the registry(Gallery) to generate adversarial examples and too single examples generation method . To address these problems, an efficient ReID adversarial attack model, multi-scale gradient adversarial examples generation network(MSG-AEGN), is put forward. MSG-AEGN is based on the multi-scale gradient adversarial networks. A multi-scale network structure is adopted to obtain different semantic levels of the input images and the intermediate features of the generator. An attention module is adopted to convert the intermediate features of the generator into multi-scale weights, thereby modulating the image pixels. Finally, the network outputs high-quality adversarial examples to confuse the ReID models. On this basis, an improved adversarial loss function based on the average distance of image features and the triplet loss is proposed to constrain and guide the training of MSG-AEGN. Experiments on three pedestrian ReID datasets, namely Market1501, CUHK03 and Duke-MTMC-ReID, show that the proposed method produces promising attack effects on both the mainstream Re-ID models based on deep convolutional neural networks and the transformer networks. Moreover, MSG-AEGN possesses the advantages of low required attack energy and high structural similarity between adversarial samples and original images.
Key wordsPerson Re-identification    Multi-scale Generative Adversarial Network    Adversarial Attack    Improved Adversarial Loss   
收稿日期: 2022-03-09     
ZTFLH: TP 391  
基金资助:国家重点研发计划项目(No.2019YFB1312000)、国家自然科学基金项目(No.62076195)资助
通讯作者: 洪晓鹏,博士,教授,主要研究方向为视频监控、深度连续学习.E-mail:hongxiaopeng@ieee.org.   
作者简介: 石 磊,硕士,助理工程师,主要研究方向为行人重识别鲁棒性分析.E-mail:sl5334@stu.xjtu.edu.cn.
张晓涵,硕士研究生,主要研究方向为增量学习.E-mail:zxh980111@stu.xjtu.edu.cn.
李吉亮,博士,副教授,主要研究方向为密码学理论与应用.E-mail:jiliang.li@xjtu.edu.cn.
丁文杰,硕士,助理研究员,主要研究方向为深度对抗攻击、行人重识别.E-mail:dingwenjie777@gmail.com.
沈 超,博士,教授,主要研究方向为人工智能、网络安全.E-mail:chaoshen@mail.xjtu.edu.cn.
引用本文:   
石磊, 张晓涵, 洪晓鹏, 李吉亮, 丁文杰, 沈超. 多尺度梯度对抗样本生成网络[J]. 模式识别与人工智能, 2022, 35(6): 483-496. SHI Lei, ZHANG Xiaohan, HONG Xiaopeng, LI Jiliang, DING Wenjie, SHEN Chao. Multi-scale Gradient Adversarial Examples Generation Network. Pattern Recognition and Artificial Intelligence, 2022, 35(6): 483-496.
链接本文:  
http://manu46.magtech.com.cn/Jweb_prai/CN/10.16451/j.cnki.issn1003-6059.202206001      或     http://manu46.magtech.com.cn/Jweb_prai/CN/Y2022/V35/I6/483
版权所有 © 《模式识别与人工智能》编辑部
地址:安微省合肥市蜀山湖路350号 电话:0551-65591176 传真:0551-65591176 Email:bjb@iim.ac.cn
本系统由北京玛格泰克科技发展有限公司设计开发 技术支持:support@magtech.com.cn