论文阅读笔记——Towards Transferable Adversarial Attack Against Deep Face Recognition

最新推荐文章于 2024-04-01 20:30:08 发布
最新推荐文章于 2024-04-01 20:30:08 发布
阅读量830 收藏 2
点赞数 1
分类专栏： 人脸识别系统的对抗样本攻击 文章标签： 人脸识别
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_42185553/article/details/119518359
版权

论文阅读笔记——Towards Transferable Adversarial Attack Against Deep Face Recognition


Against Deep Face Recognition)

一.解决的问题

提出了一种针对黑盒的人脸识别系统攻击方法，该方法首先构造一个针对代理模型的对抗样本，由于同一任务的对抗样本具有泛化的能力，因此针对代理模型生成的对抗样本对其它黑盒模型也具有攻击能力。

二.创新点

通过dropout、stochastic image transform(随机图像变换)等方式，增加了代理模型的泛化性能，从而增加了生成的对抗样本的泛化性能。

三.具体实现过程

四.实验结果

在这里插入图片描述

五.存在的问题

该方法生成的对抗模型只存在于数字域上，在真实的场景中，对抗样本要存在于物理世界中，然后通过相机等设备重新采样后，才传入人脸识别模型。
该方法生成的对抗样本如果将其打印出来，通过相机重新成像，还具有攻击能力吗？

weixin_42185553
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
arnold对彩色图像解密方法matlab实现代码-Adversarial-Face-Attack:对人脸识别系统的黑匣子对抗攻击
05-25
arnold对彩色图像解密方法matlab实现代码对人脸识别系统的黑匣子对抗攻击 （对抗攻击和防御竞赛）2018是一项竞赛，它继承了NIPS CAAD 2017的格式以及一些新挑战。 在2018年10月，我和我被邀请参加Geekpwn CAAD比赛，这是一场具有不同类型的对抗性攻击和防御的现场比赛。 该CAAD CTF具有一项新挑战，要求团队攻击未知的面部识别系统。 在第一阶段的30分钟比赛中，我们得到了比赛主持人姜长健的形象。 为了使人脸识别系统将其识别为Arnold Schwarzenegger ，我们需要对图像进行少量修改。 比赛结束后，我们得知攻击的系统是。 此存储库包含代码和此类攻击的一些结果。 一些结果 在比赛中，我们成功攻击了AWS，以将Chang-Jian Jiang识别为Schwarzenegger： 下一个要困难一些（成功率较低，随机种子不同），可能是因为：（1）来源和目标都是美国名人。 （2）不同性别 显然，也可以被愚弄： 以上图像的原始版本和对抗版本都可以在找到。 您可以下载它们并尝试使用公共API。 准备使用代码 安装TensorFlow≥1.7 按照步骤1-
Towards Data Poisoning Attack against Knowledge Graph Embedding.pdf
08-09
Existing attack methods on graph data cannot be directly applied to attack the embeddings of knowledge graph due to its heterogeneity. To fill this gap, we propose a collection of data poisoning ...
【图像对抗攻击】Towards Transferable Adversarial Attacks with Centralized Perturbation
nbwjszd的博客
04-01 755
原文标题： Towards Transferable Adversarial Attacks with Centralized Perturbation 原文代码： 暂无 发布年度： 2024 发布期刊： AAAIAdversarial transferability enables black-box attacks on unknown victim deep neural networks (DNNs), rendering attacks viable in real-world scenarios
Towards Transferable Targeted Attack 论文笔记
sydukee的博客
12-07 743
00 Abstract 作者指出，对抗样本的一个内在属性就是它的可迁移性。而对于无目标攻击，有目标攻击生成可迁移样本更加困难。主要原因有二： 噪声固化现象：在迭代攻击过程中，由于所添加的噪声是每次迭代中梯度动量的累积，这导致成功的扰动在迭代的过程中相似度很高，因此噪声的多样性和可适应性缺乏，导致可迁移性低。 仅仅让对抗样本靠近目标分类，而没有远离原真实分类是不够的。 为克服这两个问题，论文提出引用 Poincaré distance 作为相似度度量，使得梯度的大小在迭代攻击过程中自适应，以减轻噪声固化
【对抗人脸攻击与防御综述】Adversarial Attacks Against Face Recognition, A Comprehensive Study
WwwwHy搞的烂活
09-23 3043
【IEEE Access2021】Adversarial Attacks Against Face Recognition_A_Comprehensive_Study1. 相关工作2. 对抗攻击方法人脸对抗攻击3. 对抗防御方法 1. 相关工作 介绍了目前常用的人脸识别的models,包括Facenet,VGG-face,Cosface,Arcface等等，后两者是基于相似度cosine. Dataset：LFW,CASIA-Webface，MS-Celeb-1M，VGGface2，Megaface。
论文那些事—Feature Importance-aware Transferable Adversarial Attacks
shuweishuwei的博客
12-04 1308
Feature Importance-aware Transferable Adversarial Attacks（FIA,ICCV 2021） 1、摘要 基于迁移性的黑盒攻击，中间层攻击。 首先利用 aggregate gradient获取迁移性更好的梯度信息，本文中认为梯度信息代表了该点的feature importance，然后通过抑制比较重要的feature，增强比较不重要的feature，来干扰模型最终的判断。 从图中可以看出传统的攻击方式生成的对抗样本在黑盒攻击中会被弱化，甚至无效，.
学习笔记：【VALSE短教程】《Adversarial Attack and Defense》
wangsanNOLOVE的博客
11-12 3531
学习笔记：【VALSE短教程】《Adversarial Attack and Defense》 视频地址 1、White-box attacks Direction I 论文地址： EXPLAINING AND HARNESSING ADVERSARIAL EXAMPLES 论文地址： ADVERSARIAL EXAMPLES IN THE PHYSICAL WORLD 论文地址： Towards Deep Learning Models Resistant to Adversarial Atta
对抗攻击与防御（2022年顶会顶刊AAAI、ACM、 ECCV、NIPS、ICLR、CVPR）adversarial attack and defense汇总
算法探索之路
03-19 4094
2022年 关于对抗攻击跟防御的全部顶会、顶刊论文
Adversarial Attack (对抗攻击)
连理o的博客
09-19 4903
本文为李宏毅 2021 ML 课程的笔记 目录Basic ConceptsMotivationHow to Attack Basic Concepts Motivation Are networks robust to the inputs that are built to fool them? Useful for spam classification, malware detection, network intrusion detection, etc. How to Attack .
论文笔记目录（ver2.0）
qq_40206371的博客
01-25 2344
soft-dtw，可微分版本的dtwASTGCN:1）使用空间注意力机制来建模空间层面复杂的相关性2）使用时间注意力机制来捕获不同时间之间的动态时间相关性3）使用图卷积来捕获交通图中的空间特征；以及不同时间篇之间的依赖关系开发了一种transformer 用于时间序列1，使用因果卷积使得Q,K计算过程中可以看到一定的局部性2，提出LogSparse Transformer，将空间复杂度降至利用深度学习解决单变量时间序列点预测问题提出了一种。该模型具有可解释性时空注意力机制。
Face-towards-recognition.rar_Face to Face_人脸朝向
07-15
LVQ neural network to predict - Face towards recognitionLVQ神经网络的预测——人脸朝向识别
Towards Pose Rubust Face Recognition
07-22
Towards Pose Rubust Face Recognition
Supervised sparse patch coding towards misalignment-robust face recognition
02-21
Supervised sparse patch coding towards misalignment-robust face recognition
Towards a Practical Face Recognition System
09-28
Many classic and contemporary face recognition algorithms work well on public data sets, but degrade sharply when they are used in a real recognition system. This is mostly due to the difficulty of ...
基于springboot+vue+MySQL实现的在线考试系统+源代码+文档
06-01
web期末作业设计网页 基于springboot+vue+MySQL实现的在线考试系统+源代码+文档
318_面向物联网机器视觉的目标跟踪方法设计与实现的详细信息-源码.zip
06-02
提供的源码资源涵盖了安卓应用、小程序、Python应用和Java应用等多个领域，每个领域都包含了丰富的实例和项目。这些源码都是基于各自平台的最新技术和标准编写，确保了在对应环境下能够无缝运行。同时，源码中配备了详细的注释和文档，帮助用户快速理解代码结构和实现逻辑。 适用人群： 这些源码资源特别适合大学生群体。无论你是计算机相关专业的学生，还是对其他领域编程感兴趣的学生，这些资源都能为你提供宝贵的学习和实践机会。通过学习和运行这些源码，你可以掌握各平台开发的基础知识，提升编程能力和项目实战经验。 使用场景及目标： 在学习阶段，你可以利用这些源码资源进行课程实践、课外项目或毕业设计。通过分析和运行源码，你将深入了解各平台开发的技术细节和最佳实践，逐步培养起自己的项目开发和问题解决能力。此外，在求职或创业过程中，具备跨平台开发能力的大学生将更具竞争力。 其他说明： 为了确保源码资源的可运行性和易用性，特别注意了以下几点：首先，每份源码都提供了详细的运行环境和依赖说明，确保用户能够轻松搭建起开发环境；其次，源码中的注释和文档都非常完善，方便用户快速上手和理解代码；最后，我会定期更新这些源码资源，以适应各平台技术的最新发展和市场需求。
FPGA Verilog 计算信号频率，基础时钟100Mhz，通过锁相环ip核生成200Mhz检测时钟，误差在10ns
06-02
结合等精度测量原理和原理示意图可得：被测时钟信号的时钟频率fx的相对误差与被测时钟信号无关；增大“软件闸门”的有效范围或者提高“标准时钟信号”的时钟频率fs，可以减小误差，提高测量精度。 实际闸门下被测时钟信号周期数为X，设被测信号时钟周期为Tfx，它的时钟频率fx = 1/Tfx，由此可得等式：X * Tfx = X / fx = Tx(实际闸门)。 其次，将两等式结合得到只包含各自时钟周期计数和时钟频率的等式：X / fx = Y / fs = Tx(实际闸门)，等式变换，得到被测时钟信号时钟频率计算公式：fx = X * fs / Y。 最后，将已知量标准时钟信号时钟频率fs和测量量X、Y带入计算公式，得到被测时钟信号时钟频率fx。
校园二手商品交易系统三.wmv
最新发布
06-02
校园二手商品交易系统三.wmv
towards semi-supervised deep facial expression recognition with an adaptive
11-12
近年来，半监督深度面部表情识别成为了人们关注的热点问题之一。在这个领域，研究人员一直致力于利用少量有标签的数据和大量无标签的数据来提高面部表情识别的准确性和鲁棒性。Adaptive是一种有效的半监督学习方法，它能够自适应地利用标签和无标签数据，使得深度学习模型在应用于面部表情识别时更加有效。 半监督学习是一种机器学习方法，利用少量有标签的数据和大量无标签的数据来训练模型。在面部表情识别中，往往很难获取大量有标签的数据，而无标签数据却很容易获取，因此半监督学习成为了一种有吸引力的解决方案。通过利用Adaptive方法，研究人员可以更好地利用无标签数据，提高模型的泛化能力和鲁棒性，从而提升面部表情识别的准确性。 Adaptive方法还可以帮助模型在数据分布变化时自适应地调整，使得模型更具灵活性和稳健性。在面部表情识别任务中，由于不同环境和条件下的面部表情具有差异性，Adaptive方法能够使模型更好地适应这种差异，提高识别的鲁棒性。 总之，半监督深度面部表情识别与Adaptive方法的结合，有望提高面部表情识别的准确性和鲁棒性，为人们提供更加高效和可靠的面部表情识别技术。相信随着更多研究和实践的开展，半监督深度面部表情识别将迎来更加广阔的发展前景。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值