| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2020-11-25 11:10 GAN based feature-level supportive method for improved adversarial attacks on face recognition ○Zhengwei Yin（USTC/Hosei Univ.）・Kaoru Uchida（Hosei Univ.）  BioX2020-35 |
|
| 抄録 | （和） | With the rapid development of deep neural networks (DNN), DNN-based face recognition technologies are also achieving great success and have been widely used in various applications which require high-accuracy and robustness. However, deep neural networks are known to be vulnerable to adversarial attacks, performed using images added with well-designed perturbations. To enhance security of DNN-based face recognition, we need to explore deeper the mechanisms of related technologies. In this paper, we propose a feature-level supportive method, BiasGAN, to improve the performance of universal adversarial attack methods. We insert this image to image translation preprocessor before conducting adversarial example generation. BiasGAN will search in the potential face space and can generate images with biased face feature, causing generated face images to be easier to perturb efficiently. Experimental results show that this approach improves both fooling ratio and average perturbation size significantly at different perturbation levels. |
| （英） | With the rapid development of deep neural networks (DNN), DNN-based face recognition technologies are also achieving great success and have been widely used in various applications which require high-accuracy and robustness. However, deep neural networks are known to be vulnerable to adversarial attacks, performed using images added with well-designed perturbations. To enhance security of DNN-based face recognition, we need to explore deeper the mechanisms of related technologies. In this paper, we propose a feature-level supportive method, BiasGAN, to improve the performance of universal adversarial attack methods. We insert this image to image translation preprocessor before conducting adversarial example generation. BiasGAN will search in the potential face space and can generate images with biased face feature, causing generated face images to be easier to perturb efficiently. Experimental results show that this approach improves both fooling ratio and average perturbation size significantly at different perturbation levels. | |
| キーワード | （和） | Deep neural network / enerative adversarial network / Face recognition / Adversarial attack / / / / |
| （英） | Deep neural network / enerative adversarial network / Face recognition / Adversarial attack / / / / | |
| 文献情報 | 信学技報, vol. 120, no. 247, BioX2020-35, pp. 1-6, 2020年11月. | |
| 資料番号 | BioX2020-35 | |
| 発行日 | 2020-11-18 (BioX) | |
| ISSN | Online edition: ISSN 2432-6380 | |
| 著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します．(許諾番号：10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) | |
| PDFダウンロード | BioX2020-35 |
|
| 研究会情報 | |
| 研究会 | BioX |
| 開催期間 | 2020-11-25 - 2020-11-25 |
| 開催地（和） | オンライン開催 |
| 開催地（英） | Online |
| テーマ（和） | バイオメトリクス全般 (International session含む） |
| テーマ（英） | |
| 講演論文情報の詳細 | |
| 申込み研究会 | BioX |
| 会議コード | 2020-11-BioX |
| 本文の言語 | 英語 |
| タイトル（和） | |
| サブタイトル（和） | |
| タイトル（英） | GAN based feature-level supportive method for improved adversarial attacks on face recognition |
| サブタイトル（英） | |
| キーワード(1)（和/英） | Deep neural network / Deep neural network |
| キーワード(2)（和/英） | enerative adversarial network / enerative adversarial network |
| キーワード(3)（和/英） | Face recognition / Face recognition |
| キーワード(4)（和/英） | Adversarial attack / Adversarial attack |
| キーワード(5)（和/英） | / |
| キーワード(6)（和/英） | / |
| キーワード(7)（和/英） | / |
| キーワード(8)（和/英） | / |
| 第1著者 氏名（和/英/ヨミ） | Zhengwei Yin / Zhengwei Yin / |
| 第1著者 所属（和/英） | University of Science and Technology of China/Hosei University (略称： USTC/Hosei Univ.) University of Science and Technology of China/Hosei University (略称： USTC/Hosei Univ.) |
| 第2著者 氏名（和/英/ヨミ） | 内田 薫 / Kaoru Uchida / ウチダ カオル |
| 第2著者 所属（和/英） | 法政大学 (略称： 法政大) Hosei University (略称： Hosei Univ.) |
| 第3著者 氏名（和/英/ヨミ） | / / |
| 第3著者 所属（和/英） | (略称： ) (略称： ) |
| 第4著者 氏名（和/英/ヨミ） | / / |
| 第4著者 所属（和/英） | (略称： ) (略称： ) |
| 第5著者 氏名（和/英/ヨミ） | / / |
| 第5著者 所属（和/英） | (略称： ) (略称： ) |
| 第6著者 氏名（和/英/ヨミ） | / / |
| 第6著者 所属（和/英） | (略称： ) (略称： ) |
| 第7著者 氏名（和/英/ヨミ） | / / |
| 第7著者 所属（和/英） | (略称： ) (略称： ) |
| 第8著者 氏名（和/英/ヨミ） | / / |
| 第8著者 所属（和/英） | (略称： ) (略称： ) |
| 第9著者 氏名（和/英/ヨミ） | / / |
| 第9著者 所属（和/英） | (略称： ) (略称： ) |
| 第10著者 氏名（和/英/ヨミ） | / / |
| 第10著者 所属（和/英） | (略称： ) (略称： ) |
| 第11著者 氏名（和/英/ヨミ） | / / |
| 第11著者 所属（和/英） | (略称： ) (略称： ) |
| 第12著者 氏名（和/英/ヨミ） | / / |
| 第12著者 所属（和/英） | (略称： ) (略称： ) |
| 第13著者 氏名（和/英/ヨミ） | / / |
| 第13著者 所属（和/英） | (略称： ) (略称： ) |
| 第14著者 氏名（和/英/ヨミ） | / / |
| 第14著者 所属（和/英） | (略称： ) (略称： ) |
| 第15著者 氏名（和/英/ヨミ） | / / |
| 第15著者 所属（和/英） | (略称： ) (略称： ) |
| 第16著者 氏名（和/英/ヨミ） | / / |
| 第16著者 所属（和/英） | (略称： ) (略称： ) |
| 第17著者 氏名（和/英/ヨミ） | / / |
| 第17著者 所属（和/英） | (略称： ) (略称： ) |
| 第18著者 氏名（和/英/ヨミ） | / / |
| 第18著者 所属（和/英） | (略称： ) (略称： ) |
| 講演者 | 第1著者 |
| 発表日時 | 2020-11-25 11:10:00 |
| 発表時間 | 25分 |
| 申込先研究会 | BioX |
| 資料番号 | BioX2020-35 |
| 巻番号（vol） | vol.120 |
| 号番号（no） | no.247 |
| ページ範囲 | pp.1-6 |
| ページ数 | 6 |
| 発行日 | 2020-11-18 (BioX) |
[研究会発表申込システムのトップページに戻る]