論文の概要: Backdoor Attacks Against Deep Image Compression via Adaptive Frequency Trigger

• arxiv url: http://arxiv.org/abs/2302.14677v1
• Date: Tue, 28 Feb 2023 15:39:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-01 15:47:16.298457
• Title: Backdoor Attacks Against Deep Image Compression via Adaptive Frequency Trigger
• Title（参考訳）: 適応周波数トリガーによる深部画像圧縮に対するバックドア攻撃
• Authors: Yi Yu, Yufei Wang, Wenhan Yang, Shijian Lu, Yap-peng Tan, Alex C. Kot
• Abstract要約: 本稿では,学習画像圧縮モデルに対する複数のトリガーを用いたバックドアアタックを提案する。 既存の圧縮システムや標準で広く使われている離散コサイン変換(DCT)に動機付けられ,周波数ベースのトリガーインジェクションモデルを提案する。
• 参考スコア（独自算出の注目度）: 106.10954454667757
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent deep-learning-based compression methods have achieved superior performance compared with traditional approaches. However, deep learning models have proven to be vulnerable to backdoor attacks, where some specific trigger patterns added to the input can lead to malicious behavior of the models. In this paper, we present a novel backdoor attack with multiple triggers against learned image compression models. Motivated by the widely used discrete cosine transform (DCT) in existing compression systems and standards, we propose a frequency-based trigger injection model that adds triggers in the DCT domain. In particular, we design several attack objectives for various attacking scenarios, including: 1) attacking compression quality in terms of bit-rate and reconstruction quality; 2) attacking task-driven measures, such as down-stream face recognition and semantic segmentation. Moreover, a novel simple dynamic loss is designed to balance the influence of different loss terms adaptively, which helps achieve more efficient training. Extensive experiments show that with our trained trigger injection models and simple modification of encoder parameters (of the compression model), the proposed attack can successfully inject several backdoors with corresponding triggers in a single image compression model.
• Abstract（参考訳）: 近年の深層学習に基づく圧縮法は,従来の手法に比べて優れた性能を示した。 しかし、ディープラーニングモデルはバックドア攻撃に弱いことが証明されており、入力に特定のトリガーパターンを追加すると、モデルの悪意ある振る舞いにつながる可能性がある。 本稿では,学習画像圧縮モデルに対する複数トリガによるバックドア攻撃について述べる。 既存の圧縮システムや標準で広く使われている離散コサイン変換(DCT)によって動機付けられ,DCT領域にトリガを付加する周波数ベースのトリガインジェクションモデルを提案する。 特に、さまざまな攻撃シナリオに対する攻撃目標をいくつか設計します。 1) ビットレート及び再構成品質の観点から圧縮品質を攻撃すること。 2)ダウンストリーム顔認識やセマンティクスセグメンテーションといったタスク駆動型手法への攻撃。 さらに、新しい単純な動的損失は、異なる損失項の影響を適応的にバランスさせ、より効率的なトレーニングを達成するために設計されている。 実験の結果,訓練したトリガインジェクションモデルと(圧縮モデルの)エンコーダパラメータの簡単な修正により,単一の画像圧縮モデルに対応するトリガで複数のバックドアを注入することができた。

関連論文リスト

• A Training-Free Defense Framework for Robust Learned Image Compression [48.41990144764295]
  本研究では,学習した画像圧縮モデルの敵攻撃に対する堅牢性について検討する。 簡単な画像変換関数をベースとした無訓練防御手法を提案する。
  論文  参考訳（メタデータ） (2024-01-22T12:50:21Z)
• Activations and Gradients Compression for Model-Parallel Training [85.99744701008802]
  モデル並列分散トレーニングセットアップにおけるアクティベーションと勾配の同時圧縮が収束に与える影響について検討する。 グラデーションはアクティベーションよりも軽度な圧縮速度を必要とする。 実験では、TopKでトレーニングされたモデルが、推論中に圧縮も適用された場合にのみ正常に動作することが示されている。
  論文  参考訳（メタデータ） (2024-01-15T15:54:54Z)
• Transferable Learned Image Compression-Resistant Adversarial Perturbations [66.46470251521947]
  敵対的攻撃は容易に画像分類システムを破壊し、DNNベースの認識タスクの脆弱性を明らかにする。 我々は、学習した画像圧縮機を前処理モジュールとして利用する画像分類モデルをターゲットにした新しいパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-01-06T03:03:28Z)
• High-Fidelity Variable-Rate Image Compression via Invertible Activation Transformation [24.379052026260034]
  Invertible Activation Transformation (IAT) モジュールを提案する。 IATとQLevelは、画像圧縮モデルに、画像の忠実さを良く保ちながら、細かな可変レート制御能力を与える。 提案手法は,特に複数再符号化後に,最先端の可変レート画像圧縮法よりも大きなマージンで性能を向上する。
  論文  参考訳（メタデータ） (2022-09-12T07:14:07Z)
• Variable-Rate Deep Image Compression through Spatially-Adaptive Feature Transform [58.60004238261117]
  空間特徴変換(SFT arXiv:1804.02815)に基づく多目的深部画像圧縮ネットワークを提案する。 本モデルは,任意の画素単位の品質マップによって制御される単一モデルを用いて,幅広い圧縮速度をカバーしている。 提案するフレームワークにより,様々なタスクに対してタスク対応の画像圧縮を行うことができる。
  論文  参考訳（メタデータ） (2021-08-21T17:30:06Z)
• Countering Adversarial Examples: Combining Input Transformation and Noisy Training [15.561916630351947]
  敵の例は、セキュリティに敏感な画像認識タスクに脅威をもたらす。 従来のJPEG圧縮はこれらの攻撃を防御するには不十分だが、画像の良さに突然の精度低下を引き起こす可能性がある。 我々は従来のJPEG圧縮アルゴリズムを改良し、NNにとってより好ましいものにしている。
  論文  参考訳（メタデータ） (2021-06-25T02:46:52Z)
• Substitutional Neural Image Compression [48.20906717052056]
  置換型ニューラルイメージ圧縮(snic)は、あらゆるニューラルイメージ圧縮モデルを強化する一般的なアプローチである。 フレキシブルな歪みメトリックに向けて圧縮性能を高め、単一のモデルインスタンスを使用したビットレート制御を可能にする。
  論文  参考訳（メタデータ） (2021-05-16T20:53:31Z)
• Robustness and Transferability of Universal Attacks on Compressed Models [3.187381965457262]
  エッジデバイスにDeep Neural Networks(DNN)を効率的にデプロイするには、プルーニングや量子化などのニューラルネットワーク圧縮方法が非常に効果的です。 特に、UAP(Universal Adversarial Perturbations)は、敵対的攻撃の強力なクラスである。 いくつかのシナリオでは、量子化は勾配マスキングを生じさせ、誤ったセキュリティ感覚を与える。
  論文  参考訳（メタデータ） (2020-12-10T23:40:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。