[发明专利]一种防御对抗性攻击的行人重识别方法

说明书

本发明涉及一种防御对抗性攻击的行人重识别方法，首先将对抗性图片进行下采样处理，用下采样后的图片训练生成对抗式网络模型，然后对查询集中的图片进行下采样处理，通过生成对抗式网络的变分自编码器重新生成图片，最后将重新生成的图片输入行人重识别模型进行检索，匹配到对应的图片得到行人重识别结果。本发明先通过对抗性图片训练生成对抗式网络模型，然后通过生成对抗式网络的变分自编码器重新生成图片，在尽可能保留原图特征的前提下削弱了对抗样本图片中的噪声，增强了行人重识别模型对于对抗攻击样本的防御能力，有效解决了深度神经网络易遭受攻击的问题，使得输入图片受到攻击时行人重识别网络匹配的准确度得到有效提升。

技术领域

本发明涉及计算机视觉技术领域，特别是涉及一种防御对抗性攻击的行人重识别方法。

背景技术

行人重识别是一个图片检索问题，其目标是在多个不重叠的摄像机视角下匹配出目标人物。近年来，它在视频监控和安全领域得到了越来越广泛的应用。受深度学习在各种视觉任务中的成功启发，基于深度神经网络的行人重识别模型开始成为研究热点，并在图片检索方面获得较高的识别精度。

但最近的研究发现，深度神经网络很容易受到攻击。输入的图片经过精心修改，添加视觉上难以察觉的干扰变成对抗性图片，就会干扰深度神经网络的正常运行，从而影响基于深度神经网络的行人重识别模型对图片的识别精度。行人重识别框架在安全相关系统中的广泛部署，使得增强行人重识别模型对于对抗攻击图片的防御能力变得至关重要。

论文《Adversarial Metric Attack and Defense for Person Re-identification》中使用了对抗性度量训练的方法进行对于对抗性样本的防御训练，该防御训练有效提升了行人重识别模型的识别精度，但该方法仅对特定方法的攻击做训练，迁移性不足，难以抵抗其他攻击方法产生的对抗样本。

论文《Vulnerability of Person Re-Identification Models to MetricAdversarial Attacks》基于上述方法进行改进，提出了指导抽样在线对抗训练(GOAT)，通过多次迭代计算出指导示例对距离度量进行修正。该方法的精度较上述方法有所提高，增强了模型的鲁棒性，但对行人重识别网络内部参数有所调整，改变了原先的行人重识别网络。

发明内容

本发明针对现有技术的不足，提供一种防御对抗性攻击的行人重识别方法，首先将对抗性图片进行下采样处理，接着用下采样后的图片训练生成对抗式网络模型，然后对查询集中的图片进行下采样处理，通过生成对抗式网络的变分自编码器重新生成图片，将重新生成的图片输入行人重识别模型进行检索，匹配到对应的图片得到行人重识别结果。

为了达到上述目的，本发明提供的技术方案是一种防御对抗性攻击的行人重识别方法，包括以下步骤：

步骤1，训练生成对抗式网络模型，具体包括以下几个步骤：

步骤1.1，将对抗性图片进行下采样处理；

步骤1.2，通过编码器输出分布并采样生成隐变量；

步骤1.3，将隐变量通过解码器输出分布并采样生成新的图片；

步骤1.4，通过生成对抗式网络判断新的图片是否像真实图片；

步骤1.5，计算最终的损失函数；

步骤1.6，按照步骤1.1～1.5训练生成对抗式神经网络直到训练集全部学习完毕；

步骤2，重新生成查询集中的图片，具体包括以下子步骤：

步骤2.1，对查询集图片进行下采样处理；

步骤2.2，通过步骤1训练得到的生成对抗式网络的生成器中的编码器输出分布并采样生成隐变量；