Reliable and Efficient Evaluation of Adversarial Robustness for Deep Hashing-Based Retrieval

要約

ディープ ハッシングは、その効率と有効性から大量の画像検索に広く適用されています。
最近、敵対的な例に対するディープハッシュモデルの脆弱性を明らかにするために、いくつかの敵対的攻撃が提示されました。
ただし、既存の攻撃方法は、元のサンプル間のセマンティックな関係を十分に活用していないか、ディープ ニューラル ネットワークを使用してこれらの関係を学習するのに多くの時間を費やしているため、パフォーマンスの低下や非効率性に悩まされています。
この論文では、ディープハッシングネットワークの敵対的堅牢性を確実かつ効率的に評価するために、PgAと呼ばれる新しいファロス誘導攻撃を提案します。
具体的には、無害な画像のセマンティクスを表す pharos コードを設計します。これにより、意味的に関連するサンプルとの類似性と、無関係なものとの非類似性が保持されます。
単純な数式を使用してファロス コードをすばやく計算できることが証明されています。
したがって、PgA は、敵対的な例のハッシュ コードと pharos コードの間の類似性を最大化することにより、ディープ ハッシュ ベースの検索に対して信頼性が高く効率的な攻撃を直接実行できます。
ベンチマーク データセットでの広範な実験により、提案されたアルゴリズムが攻撃強度と速度の両方で従来の最先端技術よりも優れていることが確認されました。

要約(オリジナル)

Deep hashing has been extensively applied to massive image retrieval due to its efficiency and effectiveness. Recently, several adversarial attacks have been presented to reveal the vulnerability of deep hashing models against adversarial examples. However, existing attack methods suffer from degraded performance or inefficiency because they underutilize the semantic relations between original samples or spend a lot of time learning these relations with a deep neural network. In this paper, we propose a novel Pharos-guided Attack, dubbed PgA, to evaluate the adversarial robustness of deep hashing networks reliably and efficiently. Specifically, we design pharos code to represent the semantics of the benign image, which preserves the similarity to semantically relevant samples and dissimilarity to irrelevant ones. It is proven that we can quickly calculate the pharos code via a simple math formula. Accordingly, PgA can directly conduct a reliable and efficient attack on deep hashing-based retrieval by maximizing the similarity between the hash code of the adversarial example and the pharos code. Extensive experiments on the benchmark datasets verify that the proposed algorithm outperforms the prior state-of-the-arts in both attack strength and speed.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google