用于人员重新识别的全局聚合梯度引导对抗攻击

《Pattern Recognition Letters》：Global Aggregated Gradient-guided Adversarial Attacks for Person Re-identification

基于深度神经网络的身份重识别（Re-ID）技术虽取得进展，但现有对抗攻击方法存在初始阶段梯度一致性不足的问题，制约攻击效果。本文提出全局聚合梯度引导攻击（GAGA）方法，通过预收敛梯度获取全局聚合梯度，并设计梯度一致性因子动态调整更新方向，显著提升攻击转移性。实验表明，GAGA在Market-1501和MSMT17数据集上均优于SOTA方法，且可与输入变换攻击结合使用。

　　近年来，随着深度神经网络技术的迅猛发展，行人重识别（Re-ID）在智能监控系统中取得了显著的进展。行人重识别是一项重要的计算机视觉研究领域，其核心目标在于通过非重叠的摄像机网络，准确地检索特定的行人图像。这项任务本质上是图像检索领域中的一个细粒度子集。然而，随着深度学习的广泛应用，研究者们也发现，深度神经网络在面对对抗样本时存在严重的脆弱性。对抗样本可以通过对正常图像添加微小且难以察觉的扰动，从而误导深度神经网络模型，导致识别错误。这种脆弱性对行人重识别系统的安全性和可靠性构成了巨大威胁，因此，对行人重识别系统进行全面的对抗攻击研究变得尤为重要。

目前，大多数对抗攻击技术主要应用于图像分类任务，并在该领域取得了卓越的攻击效果。然而，这些方法并不适用于行人重识别系统。这是因为行人重识别任务是一种开放集任务，与分类任务有着本质的不同。在该任务设置下，训练集和测试集所包含的身份信息存在差异，而查询集和图库集则共享身份信息。这种任务结构的特殊性使得传统分类任务中的对抗攻击方法在应用于行人重识别时效果有限，难以有效评估系统在真实环境下的鲁棒性。

为了成功攻击行人重识别系统，研究者们提出了多种对抗样本生成策略。这些策略包括基于度量的攻击方法、基于伪标签的攻击方法、基于颜色的攻击方法以及基于通用扰动的攻击方法。其中，基于度量的攻击方法被认为是最有效且最受关注的攻击方式。该方法通过参考特征来扭曲目标行人图像与其他相似行人图像之间的距离，从而降低模型的识别能力。然而，现有的研究工作忽略了当前梯度与全局梯度之间的一致性问题，未能充分利用全局梯度的信息，导致攻击效果受限。

本文提出了一种基于全局聚合梯度的攻击方法（Global Aggregated Gradient-guided Attack，简称GAGA），旨在解决攻击过程中梯度一致性不足的问题。与以往仅考虑当前梯度信息的攻击方法不同，GAGA进一步引入了全局聚合梯度的概念。在每次迭代之前，我们首先执行内部循环（即进行梯度预收敛操作），然后将该内部循环中获得的所有梯度进行平均，作为全局聚合梯度。此外，我们还设计了一个梯度一致性因子，该因子基于当前梯度与全局聚合梯度之间的关系，用于提取潜在信息并增强梯度一致性。在每次迭代中，GAGA会根据梯度一致性因子的变化情况，自适应地确定更新方向，从而提升攻击效果。

在实验方面，我们对多个标准数据集进行了测试，包括Market-1501和MSMT17。Market-1501是一个广泛采用的行人重识别基准数据集，包含1,501个不同的身份，共12,936张训练图像，19,732张测试图像（覆盖751个身份），以及3,368张用于评估的查询图像。MSMT17则以其大规模和多样性著称，由15个摄像机拍摄了126,441张图像，训练集包含32,621张来自1,041个身份的图像，而测试集则包含11,659张用于检索的查询图像。通过在这些数据集上的实验，我们验证了GAGA方法在提升对抗样本迁移能力方面的有效性。

实验结果表明，与当前最先进的行人重识别攻击方法相比，GAGA在迁移能力方面表现最优。此外，GAGA方法可以与基于输入变换的攻击技术相结合，进一步提高对抗样本的迁移能力。这种灵活性使得GAGA不仅适用于特定的攻击场景，还能扩展到更广泛的应用领域。通过引入全局聚合梯度的概念，我们有效解决了攻击过程中梯度一致性不足的问题，从而提升了攻击效果。

在实现过程中，我们采用了多种策略来优化攻击过程。首先，我们通过梯度预收敛操作来获取全局聚合梯度，这有助于减少梯度变化的不一致性。其次，我们设计了一个梯度一致性因子，该因子能够量化当前梯度与全局聚合梯度之间的相关性，并据此调整更新方向。这种方法不仅提高了攻击的稳定性，还增强了对抗样本在不同模型间的迁移能力。通过实验验证，我们发现GAGA方法在多个数据集上的表现均优于其他方法，显示出其在行人重识别攻击中的优越性。

此外，我们还对GAGA方法的鲁棒性和泛化能力进行了深入分析。在不同光照条件、视角变化以及背景干扰的情况下，GAGA方法依然能够保持较高的攻击成功率。这表明，该方法在实际应用中具有较强的适应性。同时，我们还探讨了GAGA方法在不同攻击策略下的表现，发现其在结合输入变换技术时，能够进一步提升对抗样本的迁移能力。这种能力对于评估行人重识别系统在复杂环境下的安全性具有重要意义。

在研究过程中，我们还注意到，对抗样本的生成不仅仅依赖于模型的结构和训练数据，还受到攻击策略和优化方法的影响。因此，我们对GAGA方法的实现细节进行了优化，以确保其在不同场景下的有效性。通过引入全局聚合梯度的概念，我们能够更全面地考虑模型的整体行为，从而提高攻击的成功率。此外，我们还对攻击过程中的梯度变化进行了动态调整，使得攻击更加精准和高效。

为了进一步验证GAGA方法的有效性，我们进行了多组实验，包括不同数据集、不同攻击目标以及不同攻击强度的测试。实验结果表明，无论是在Market-1501还是MSMT17数据集上，GAGA方法都能取得显著的攻击效果。特别是在面对高维特征空间和复杂场景时，GAGA方法展现出了更强的适应性和迁移能力。这表明，该方法不仅适用于特定的攻击任务，还能扩展到更广泛的应用场景。

此外，我们还对GAGA方法在实际应用中的可行性进行了探讨。通过分析对抗样本的生成过程，我们发现该方法能够在保持图像质量的同时，有效生成具有高迁移能力的对抗样本。这使得GAGA方法在实际应用中具有较强的实用性。同时，我们还对攻击过程中的计算成本进行了评估，发现该方法在优化后能够显著降低计算开销，从而提高攻击的效率。

在理论层面，我们对GAGA方法的原理进行了深入分析。通过引入全局聚合梯度的概念，我们能够更全面地考虑模型的整体行为，从而提高攻击的成功率。此外，我们还对梯度一致性因子的设计进行了优化，使得该因子能够更准确地量化当前梯度与全局聚合梯度之间的相关性。这种优化不仅提高了攻击的稳定性，还增强了对抗样本在不同模型间的迁移能力。

在实际应用中，我们还对GAGA方法的可扩展性进行了探讨。通过分析不同攻击策略和优化方法的组合，我们发现该方法能够灵活适应不同的攻击需求。此外，我们还对攻击过程中的参数调整进行了优化，使得攻击更加精准和高效。这种灵活性使得GAGA方法在实际应用中具有较强的适应性。

在实验结果方面，我们对多个数据集进行了测试，包括Market-1501和MSMT17。实验结果表明，GAGA方法在多个数据集上的表现均优于其他方法，显示出其在行人重识别攻击中的优越性。特别是在面对高维特征空间和复杂场景时，GAGA方法展现出了更强的适应性和迁移能力。这表明，该方法不仅适用于特定的攻击任务，还能扩展到更广泛的应用场景。

综上所述，本文提出的GAGA方法在解决行人重识别系统中梯度一致性不足的问题方面取得了显著进展。通过引入全局聚合梯度的概念和梯度一致性因子的设计，我们有效提升了攻击的成功率和迁移能力。实验结果表明，GAGA方法在多个数据集上的表现均优于当前最先进的攻击方法，显示出其在行人重识别攻击中的优越性。此外，该方法还能够与基于输入变换的攻击技术相结合，进一步提高对抗样本的迁移能力。这些研究成果为行人重识别系统的安全性评估提供了新的思路和方法，也为未来的对抗攻击研究奠定了基础。