深度视觉对抗技术研究

发布时间：2021-08-19 10:02

　　随着深度学习的飞速发展,社会上基于深度学习的应用越来越普遍,尤其是计算机视觉领域,诞生了如自动驾驶、人脸识别、图像内容审核等产品。然而近年来视觉对抗技术逐渐兴起,以图像对抗样本为代表的对抗模型行为和以深度伪造为代表的对抗人眼行为,给深度学习在视觉领域的发展造成了巨大的安全威胁。视觉对抗行为的存在让人们不再相信模型的决策,也对深度学习的应用产生了巨大的质疑。因此,对视觉对抗行为的深入研究有着重要的科学意义和社会价值。现有关于视觉对抗技术的研究还存在如攻击生成算法不够高效、对抗检测算法泛化性和鲁棒性差等诸多问题。本文针对这些问题对视觉对抗技术展开了全面研究。首先对图像对抗样本的生成和检测技术进行了调研总结,并对深度伪造人脸对抗技术进行了概括。然后本文以对抗样本为研究背景,研究如何高效地生成针对云平台图像应用的对抗样本,研究如何实现泛化性更好的对抗样本检测算法,研究泛化性好的深度伪造人脸检测算法以及如何应用对抗样本技术提升检测算法的鲁棒性。本文的研究内容和贡献如下:第一部分总结了视觉对抗技术的相关发展。首先对图像对抗样本技术的生成和检测算法进行综述,然后对深度伪造人脸对抗技术进行了介绍和对比... 

【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校

【文章页数】：120 页

【学位级别】：博士

【部分图文】：

图１－２深度伪造换脸示例图??

浙，江大学博士学位论文?２视觉对抗相关技术研究基础??输入?Ｌａｙｅｒ?１?Ｌａｙｅｒ２?Ｌａｙｅｒ?Ｌ?Ｏｕｔｐｕｔ??＇顏：：ｉ：：：：??鲁入慕?遽赢屬输出屬??图２－１深度神经网络结构图??２．１．２卷积神经网络??卷积神经网络（Ｃｏｎｖｏｌｕｔｉｏｎａｌ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋｓ，?ＣＮＮ）是加入了卷积计算的神经网络，??在深度神经网络基础上加入了卷积层和池化层进行提取特征。卷积神经网络的输入是图像??的三维结构：高度、宽度、通道（ＲＧＢ），通过使用比输入小得多的卷积梭来对图像进行局??部区域扫描式的卷积计算，这样可以减少大量的参数，实现稀疏连接。此外卷积神经网络??可以进行参数共享，在每一层进行卷积计算时，与上一层之间计算的卷积核参数是相同的。??１９９８年Ｌｅｃｕｎ等人［４４＃１首次将提出卷积神经网络ＬｅＮｅｔ－５运用于手写字体识别，取得了重??大成功，其网络结构如图２－２所示，分别包含了卷积层、池化层、全连接层，这是卷积神经??网络在商业领域第一次成功运用，引起了大家对卷积神经网络的极大关注。??２０１２年Ｈｉｎｔｏｎ等人凭借卷积神经网絡ＡｌｅｘＮｅｔ［４］取得ＩｍａｇｅＮｅｔ图像分类竟赛的冠军，??大大超过了传统模型方法。以此为起点，研究者朝着网络加深的方向研究出了?ＶＧＧｎｅｔ［９９］，??沿着提高卷积模块性能开发了?ＩｎＣｅｐｔｉｏｎＮｅｔ［ｌｆｌ（ＷＱ３］。然而网络深度的增加又会引起梯度消失、??网络遐化等问题，基于残差结构设计的ＲｅｓＮｅｔ网络被提出。这些经典网络和技术的提??出，让人们很容易训练越来越深的网络，在诸多图像视觉任务远远超过了人类本身，将以??神经网络为基础的

?２视觉对餌相关技本研禽基础??１６＠１０ｘｌ０?１６＠５ｘ５??６＠２８ｘ２８?６＠１４ｘｌ４ｒ?１ｘ８４??Ｍａｘ－Ｐｏｏｌ?Ｃｏｎｖｏｌｕｔｉｏｎ?Ｍａｘ－Ｐｏｏｌ?Ｄｅｎｓｅ??图＿２－２?ＬｅＮｅｔ网络结构图??２．１．３自编码器??自动编码器是一个能够通过训练神经网络使得输出与输＾入相等的模型结构图２－３所??不。??ｘ?｜￣￣＾?＼Ｊ＾￣￣ｈ?｜￣￣＾?Ｌ＾Ｊ￣￣＾?｜?ｊ??图２－３自动编码器结构图??假设隐藏层＆可以对输入进行编码，则网络由两部分组成，一部分是编码器函数??ｈ?＝?ｆ（＜ｒ）?（２－６）??另一部分是解码器函数对编码进行重构，??ｘ?＝?ｇ｛ｈ）?（２－７）??隐藏层的雄度通常远低于输入层，网络优化目标是??ｆ，ｇ?＝?ａｒｇｍｉｎ?Ｌ（ｘ，ｇ｛ｆ｛ｘ）））?（２－８）??其中，以．）是衡量怎和ｇ（／（ａ；））相似度的惩罚函数，９如果ｒ和ｖ（／（ｏｒ））在任何时候都相等，??这样的自编码器是无意义的但是实际上会通过一些限制，让网络输出与输入近似相等，学??１４??


本文编号：3351204