论文阅读 2022.6.7
1.Improving Transferability of Adversarial Patches on Face Recognition with Generative Models
这篇文章是cvpr2021,文章上写的是这个tap算法跟ti以及di方法结合,提高攻击的迁移性。
实现的算法如下
算法介绍: L还是自己定义的损失函数,face里面主要用的一个real_face ,一个是target_face。M代表的是mask。
输入 : ti的transformations 设置扰动的大小,看后面他设置的有40,50啥的,我怀疑这个超参数是epochs,一个学习率 α,迭代次数N?,decay ,μ,这个是动量项。论文里面定义的圆心加上一个点是计算相似度的。
输出的就是adv_images
初始化过程:都清零
迭代N次,
1.首先对 clear_image 进行变化。
2. 猜测 第五行的操作是 限制扰动的范围在mask上的
3. T(x) > 进行计算 loss T(x)是di变化
4. 计算梯度了
5. 对梯度进行卷积操作 (ti操作)这里面用的是高斯核
6. 后面就是进行 mi进行 计算动量项。
7. 更新 adv 并且进行限制
这个不是???? mask +di+ti+mi??? 就是加了一个mask嘛???
其实后面实验部分也没仔细看,也是刚看了下方法的。
这个方法跟上面的很像,区别在与这边的输入变成了sn,怀疑这个是用的生成器,generate去做的,我只是目前这么猜测。但是很明显,生成器直接去做生成人脸。。。。有待思考,目前没做过gan生成的实验。
大家有问题可以讨论哈。写的比较简略