典型文献
多尺度梯度对抗样本生成网络
文献摘要：
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Mar-ket1501、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.
文献关键词：
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
中图分类号：
作者姓名：
石磊;张晓涵;洪晓鹏;李吉亮;丁文杰;沈超
作者机构：
西安交通大学 网络空间安全学院 西安710049;哈尔滨工业大学 计算学部 哈尔滨150001;北京旷视科技有限公司 北京100080
文献出处：
引用格式：
[1]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(06):483-496
A类：
AEGN,改进型对抗损失,ket1501,多尺度生成对抗网络
B类：
对抗样本生成,生成网络,行人重识别,Person,identification,ReID,对抗攻击,攻击方法,Gallery,生成方式,强攻,攻击性,攻击模型,Multi,scale,Gradient,Adversarial,Examples,Generation,Network,MSG,生成器,中间特征,特征转换,转换成,像素,迷惑,图像特征,三元组损失,对抗损失函数,Mar,CUHK03,DukeMTMC,reID,别数,深度卷积神经网络,Transformer,原始图像,结构相似度
AB值：
0.310486
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
