【技术实现步骤摘要】
基于加权梯度哈希激活热力图的稀疏对抗攻击方法
[0001]本专利技术涉及视频对抗攻击
,特别涉及一种基于加权梯度哈希激活热力图的稀疏对抗攻击方法。
技术介绍
[0002]深度神经网络在哈希检索上的应用极大地提高了哈希检索效率,近年来,深度神经网络被证明在对抗攻击下是非常脆弱的,因此有关深度神经网络的安全问题引起了人们的注意,对抗攻击的研究也得到了进一步的发展,深度检索系统在享受深度神经网络带来好处的同时也承担着深度神经网络的风险。
[0003]现在的对抗攻击方法可以分为密集对抗攻击和稀疏对抗攻击两大类,与密集攻击对比,稀疏攻击是通过扰动部分位置的像素点来达到攻击的效果,稀疏攻击最大的挑战在于如何确定扰动的位置。
[0004]目前针对视频哈希检索系统的攻击仅有深度哈希目标攻击方法,该攻击方法的原理是将目标标签进行优化,设置一个新的投票组件来获取目标标签的哈希码集合的最优代表,以此提高对抗攻击的准确性,深度哈希目标攻击方法是密集对抗攻击,会产生许多冗余像素,不适用于真实场景,不仅如此,进行密集对抗攻击还需要花费更多的像素代价,导致对抗样本的不可感知性较低。
技术实现思路
[0005]本专利技术提供了一种基于加权梯度哈希激活热力图的稀疏对抗攻击方法,其目的是为了解决传统的对抗攻击方法会产生许多冗余像素,不适用于真实场景,且需要更多的像素代价,导致对抗样本的不可感知性较低的问题。
[0006]为了达到上述目的,本专利技术的实施例提供了一种基于加权梯度哈希激活热力图的稀疏对抗攻击方 ...
【技术保护点】
【技术特征摘要】
1.一种基于加权梯度哈希激活热力图的稀疏对抗攻击方法,其特征在于,包括:步骤1,将查询视频输入视频哈希检索模型,获得查询视频哈希码;步骤2,获取目标视频集并将目标视频集中的目标视频分别输入视频哈希检索模型生成多个目标视频哈希码;步骤3,将查询视频哈希码分别与多个目标视频哈希码进行点乘,构建查询视频哈希码与多个目标视频哈希码之间的汉明距离函数;步骤4,对所述汉明距离函数的输出和视频哈希检索模型的中间层输入进行链式求导后与视频哈希检索模型的中间层输入进行线性组合,生成加权梯度哈希激活热力图;步骤5,通过三线性插值和上采样将加权梯度哈希激活热力图的时间维度和空间维度进行映射,得到加权梯度哈希激活热力矩阵,将加权梯度哈希激活热力矩阵通过Relu函数激活和Binarize函数二值化,得到稀疏的掩码矩阵;步骤6,将对抗性扰动与掩码矩阵相乘,得到对抗性掩码矩阵,根据对抗性掩码矩阵和所述汉明距离函数构建对抗性目标函数,通过ADAM优化方法对对抗性目标函数进行优化,获得稀疏的对抗性视频样本。2.根据权利要求1所述的基于加权梯度哈希激活热力图的稀疏对抗攻击方法,其特征在于,所述步骤1具体包括:步骤11,定义视频哈希检索模型为F(
.
);步骤12,将查询视频输入视频哈希检索模型F(
.
),视频哈希检索模型生成查询视频哈希码,查询视频哈希码生成过程,如下所示:H
q
=F(X
q
)
ꢀꢀ
(1)其中,H
q
表示查询视频哈希码,H
q
∈{0,1}
N
,N表示长度,H
q
为长度为N的二元哈希码序列,X
q
表示查询视频,X
q
∈R
C
×
G
×
B
×
T
,C表示查询视频的帧数,G表示查询视频每一帧的宽度,B表示查询视频每一帧的高度,T表示查询视频每一帧的通道数。3.根据权利要求2所述的基于加权梯度哈希激活热力图的稀疏对抗攻击方法,其特征在于,所述步骤2具体包括:步骤21,获取目标视频集X
t
={x
t1
,x
t2
,
…
,x
ti
},其中,x
ti
表示目标视频集中第i个目标视频,i=1,2,
…
,n;步骤22,将目标视频集中的目标视频分别输入视频哈希检索模型,视频哈希检索模型生成多个目标视频哈希码,目标视频哈希码生成过程,如下所示:H
ti
=F(x
ti
)
ꢀꢀ
(2)其中,H
ti
表示第i个目标视频哈希码,i=1,2,
…
,n。4.根据权利要求3所述的基于加权梯度哈希激活热力图...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。