一种基于图引导的几何结构坍塌对抗攻击方法，用于人物重新识别

《Knowledge-Based Systems》：A Graph-Guided Geometry-Collapse Adversarial Attack for Person Re-Identification

　　

Mubashir Javaid | Muhammad Javed Iqbal | Muazzam Maqsood

摘要

人员重新识别（Re-ID）在现代监控系统中发挥着至关重要的作用。然而，这些人员重新识别系统通常基于深度学习模型构建，而这些模型对对抗性攻击非常敏感。更具体地说，这些Re-ID模型被专门训练来减少类内特征距离并增加类间差异，从而在嵌入空间中形成一种结构化的关系几何结构。然而，现有的关于人员Re-ID对抗性攻击的研究忽略了特征偏移空间中这些诱导的关系结构，在该空间中，扰动会与身份感知的嵌入几何结构相互作用。基于这一研究方向，本文提出了一种图门控元攻击（Graph Gating Meta Attack，简称GGAM）框架，其中扰动被构建为一个具有几何感知能力的图优化问题。通过引入基于图的关联损失，该框架可以明确地扭曲特征偏移空间中的类内和类间结构，从而通过扰动变化来改变ReID嵌入的关系几何结构，而不是直接修改嵌入分布。在每个批次中，该框架会构建一个特征差异图，其中对抗性目标通过最大化扰动模式的一致性来诱导类内特征偏移的崩溃，同时最小化类间特征偏移的相似性（即最大化差异）。除了关系图的扭曲之外，GGAM还采用了一种批量级的元优化策略，通过迭代的支持查询适应来模拟元学习的动态。所提出的GGAM还结合了特征级别的自适应门控机制以及不可感知性约束，以提高攻击效果。在Market-1501、DukeMTMC-reID、Occluded-DukeMTMC、WB-WoB-ReID和CUHK03数据集上的广泛实验表明，所提出的对抗性框架实现了更高的攻击成功率、更好的泛化能力以及较强的不可感知性平衡。