基于红外场景行人检测对抗贴片研究

文章提出一种新的针对红外场景下行人目标的对抗贴片生成方法。该方法首先将对抗贴片进行了对比度调整、亮度变换、添加噪声、随机放缩以及随机角度调整等多样性变换;其次利用目标检测系统YOLO-v3对输入的对抗样本进行分类预测;再次与不可打印损失和平滑损失相结合获得迭代损失,通过反向传播对贴片进行更新;最后,利用LLVIP红外图像数据集进行验证,当置信度分数为0.5时,该方法可以达到14.00%的攻击成功率,在一定程度上实现较好的对抗攻击效果。     

针对眼部掩模的人脸识别对抗贴片研究

随着深度学习技术的快速发展,人脸识别技术被广泛应用于现实世界的工作与生活中。然而深度神经网络对于对抗样本表现出极大的脆弱性。鉴于用对抗贴片进行黑盒攻击比白盒攻击更加困难,且黑盒攻击性能性能较差,同时由于眼部区域包含了较多的特征信息,该文提出一种新的针对眼部掩模的对抗贴片生成方法(Adversarial Eye Mask, AdvEyeMask),来实现人脸识别系统的黑盒攻击。首先,对输入图像进行添加随机噪声、随机调整亮度以及随机放缩等多样性变换,在采用集成模型生成贴片的迭代优化过程中,借助动量思想求得目标损失,而后对损失梯度矩阵进行高斯核卷积处理,从而提高对抗贴片的黑盒攻击性能。基于CASIA-Facev5数据集,AdvEyeMask与AdvHat方法相比,平均相似度提升了34.46%,平均攻击成功率提升了64.40%,实现了较好的黑盒攻击效果。最后,从实用性角度出发,AdvEyeMask方法生成的对抗贴片在物理场景下对某商用人脸识别设备进行了黑盒攻击测试。