Hội thảo nghiên cứu ứng dụng Mật mã và An toàn thông tin

Bài viết

Một phương pháp sinh hình ảnh đối nghịch sử dụng các đặc điểm được mô tả

DOI: 10.54654/isj.v3i20.1002
Từ khóaHọc sâumạng sinh đối khángmẫu đối kháng

Tóm tắt

Tóm tắt— Hiện nay, học máy không chỉ giải quyết các vấn đề đơn giản như phân lớp đối tượng mà còn được ứng dụng rộng rãi trong lĩnh vực thị giác máy tính như hệ thống nhận dạng, phát hiện đối tượng và trong các mô đun của các hệ thống xác thực, các thuật toán xử lý thông minh như lái xe tự động, rô bot chat,... Các mô hình học sâu dựa trên GAN có thể tự động tạo ra dữ liệu hình ảnh như đồ vật, động vật, khuôn mặt người hoặc những thứ tương tự bằng cách học các đặc điểm từ của hình ảnh trong các bộ dữ liệu như MS-COCO, ImageNET, CUB,... Bằng kỹ thuật này, kẻ tấn công có thể giả mạo hình ảnh trong một số trường hợp với mục đích xấu. Trong bài báo này, nhóm tác giả đề xuất xây dựng một mạng sinh đối kháng để tạo ra hình ảnh thực hiện đánh lừa mô hình mục tiêu là YOLOv7, INCEPTIONv3. Kết quả thử nghiệm trên tập dữ liệu CUB cho thấy khả năng tạo hình ảnh đối kháng do mô hình chúng tôi đề xuất đạt hiệu quả cao với thời gian tạo ảnh trung bình là 0,16 giây/một ảnh. Tỷ lệ đánh lừa mô hình thành công đạt trên 85%, tỷ lệ nhận dạng trung bình đạt trên 45% đối với mô hình YOLOv7. Khi thử nghiệm trên mô hình INCEPTIONv3, tỷ lệ đánh lừa mô hình thành công đạt trên 95%, tỷ lệ nhận dạng trung bình đạt trên 50%. Độ trung thực của hình ảnh được đánh giá bằng chỉ số PSNR đạt mức trung bình lớn hơn 29.

Lượt tải theo tháng

071303/2404/2405/2406/2407/2408/2409/2410/2411/2412/2403/2507/2508/2509/2510/2511/2512/2501/2602/2603/2604/26

Di chuột vào cột để xem số lượt tải.

Cách trích dẫn

Trương Phi Hồ, Phạm Duy Trung, Bùi Thu Lâm (2023). Một phương pháp sinh hình ảnh đối nghịch sử dụng các đặc điểm được mô tả. Tạp chí Khoa học và Công nghệ trong lĩnh vực An toàn thông tin, 3(20), 63-76. https://doi.org/10.54654/isj.v3i20.1002

Tài liệu tham khảo

  1. 1.TR. S. S. Kumar, M. Nystrom, J. Lambert, A. Marshall, M. Goertzel, A. Comissoneru, M. Swann, and S. Xia, “Adversarial machine learningindustry perspectives,” in 2020 IEEE Security and Privacy Workshops (SPW). IEEE, 2020, pp. 69–75.
  2. 2.Luận, L. C., & Thiên, T. H. (2023). Tăng cường độ chính xác trong việc nhận diện đối tượng trên các thiết bị cạnh thông minh. Journal of Science and Technology on Information Security, 2(19), 29-38. https://doi.org/10.54654/isj.v2i19.948.
  3. 3.C. Szegedy, V. Vanhoucke, S. Ioffe, J. Shlens, and Z. Wojna, “Rethinking the inception architecture for computer vision,” in Proceedings of the IEEE conference on computer vision and pattern recognition, 2016, pp. 2818–2826.
  4. 4.Y. LeCun, Y. Bengio, and G. Hinton, “Deep learning,” Nature, vol. 521, no. 7553, pp. 436–444, 2015.
  5. 5.M. Habibi, L. Weber, M. Neves, D. L. Wiegandt, and U. Leser, “Deep learning with word embeddings improves biomedical named entity recognition,” Bioinformatics, vol. 33, no. 14, pp. i37–i48, 2017.
  6. 6.S. Min, B. Lee, and S. Yoon, “Deep learning in bioinformatics,” Briefings in bioinformatics, vol. 18, no. 5, pp. 851–869, 2017.
  7. 7.C. Cortes, N. Lawarence, D. Lee, M. Sugiyama, and R. Garnett, “Advances in neural information processing systems 28,” in Proceedings of the 29th Annual Conference on Neural Information Processing Systems, 2015.
  8. 8.A. Grover and J. Leskovec, “node2vec: Scalable feature learning for networks,” in Proceedings of the 22nd ACM SIGKDD international conference on Knowledge discovery and data mining, 2016, pp. 855–864.
  9. 9.D. W. Otter, J. R. Medina, and J. K. Kalita, “A survey of the usages of deep learning for natural language processing,” IEEE transactions on neural networks and learning systems, vol. 32, no. 2, pp. 604–624, 2020.
  10. 10.S. Mahdavifar and A. A. Ghorbani, “Application of deep learning to cybersecurity: A survey,” Neurocomputing, vol. 347, pp. 149–176, 2019.
  11. 11.Pham, V. H., To, T. N., & Duy, P. T. (2023). A method of generating mutated Windows malware to evade ensemble learning. Journal of Science and Technology on Information Security, 1(18), 47-60. https://doi.org/10.54654/isj.v1i18.906.
  12. 12.G. Litjens, T. Kooi, B. E. Bejnordi, A. A. A. Setio, F. Ciompi, M. Ghafoorian, J. A. Van Der Laak, B. Van Ginneken, and C. I. Sanchez, “A survey on deep learning in medical image analysis,” Medical image analysis, vol. 42, pp. 60–88, 2017.
  13. 13.A. M. Ozbayoglu, M. U. Gudelek, and O. B. Sezer, “Deep learning for financial applications: A survey,” Applied Soft Computing, vol. 93, p. 106384, 2020.
  14. 14.S. Pouyanfar, S. Sadiq, Y. Yan, H. Tian, Y. Tao, M. P. Reyes, M.-L. Shyu, S.-C. Chen, and S. S. Iyengar, “A survey on deep learning: Algorithms, techniques, and applications,” ACM Computing Surveys (CSUR), vol. 51, no. 5, pp. 1–36, 2018.
  15. 15.Olaye, Iredia M.; Seixas, Azizi A. The Gap Between AI and Bedside: Participatory Workshop on the Barriers to the Integration, Translation, and Adoption of Digital Health Care and AI Startup Technology Into Clinical Practice. Journal of Medical Internet Research, 2023, 25: e32962.
  16. 16.I. J. Goodfellow, J. Shlens, and C. Szegedy, “Explaining and harnessing adversarial examples,” arXiv preprint arXiv:1412.6572, 2014.
  17. 17.F. Tramer, N. Carlini, W. Brendel, and A. Madry, “On adaptive attacks to adversarial example defenses,” Advances in neural information processing systems, vol. 33, pp. 1633–1645, 2020.
  18. 18.T. Bai, J. Zhao, J. Zhu, S. Han, J. Chen, B. Li, and A. Kot, “Aigan: Attack-inspired generation of adversarial examples,” in 2021 IEEE International Conference on Image Processing (ICIP). IEEE, 2021, pp. 2543–2547.
  19. 19.W. Zhang, “Generating adversarial examples in one shot with imageto-image translation gan,” IEEE Access, vol. 7, pp. 151 103–151 119, 2019.
  20. 20.T. Karras, T. Aila, S. Laine, and J. Lehtinen, “Progressive growing of gans for improved quality, stability, and variation,” arXiv preprint arXiv:1710.10196, 2017.
  21. 21.H. Zhang, T. Xu, H. Li, S. Zhang, X. Wang, X. Huang, and D. N. Metaxas, “Stackgan: Text to photo-realistic image synthesis with stacked generative adversarial networks,” in Proceedings of the IEEE international conference on computer vision, 2017, pp. 5907–5915.
  22. 22.H. Dong, S. Yu, C. Wu, and Y. Guo, “Semantic image synthesis via adversarial learning,” In Proceedings of the IEEE International Conference on Computer Vision, pp. 5706–5714, 2017.
  23. 23.S. Reed, Z. Akata, X. Yan, L. Logeswaran, B. Schiele, and H. Lee, “Generative adversarial text to image synthesis,” arXiv preprint arXiv:1605.05396, 2016.
  24. 24.S. E. Reed, Z. Akata, S. Mohan, S. Tenka, B. Schiele, and H. Lee, “Learning what and where to draw,” In Advances in Neural Information
  25. 25.K. Xu, J. Ba, R. Kiros, K. Cho, A. Courville, R. Salakhutdinov, R. Zemel, and Y. Bengio, “Neural image caption generation with visual attention,” in Proc. ICML, 2015, pp. 2048–2057.
  26. 26.R. Yu, F. Jin, Z. Qiao, Y. Yuan, and G. Wang, “Multi-scale image-text matching network for scene and spatio-temporal images,” Future Generation Computer Systems, vol. 142, pp. 292–300, 2023.
  27. 27.C. Wah, S. Branson, P. Welinder, P. Perona, and S. Belongie, “The caltech-ucsd birds-200-2011 dataset,” 2011.
  28. 28.C. Fjellstrom, “Long short-term memory neural network for financial time series,” in 2022 IEEE International Conference on Big Data (Big Data). IEEE, 2022, pp. 3496–3504.
  29. 29.D. Yi, J. Ahn, and S. Ji, “An effective optimization method for machine learning based on adam,” Applied Sciences, vol. 10, no. 3, p. 1073, 2020.
  30. 30.C.-Y. Wang, A. Bochkovskiy, and H.-Y. M. Liao, “Yolov7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors,” in Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2023, pp. 7464–7475.
  31. 31.Rahman, M. M., Biswas, A. A., Rajbongshi, A., and Majumder, A, “Recognition of local birds of Bangladesh using MobileNet and Inception-v3,” in International Journal of Advanced Computer Science and Applications, 2020, 11.8.
  32. 32.Sheng Zhong, Qing-yun Shi, and Min-Teh Cheng. 1994, “Adaptive hierarchical vector quantization for image coding,” Pattern recognition letters 15, 1994, 1171–1175.
  33. 33.Radford, Alec; Metz, Luke; Chintala, Soumith, “Unsupervised representation learning with deep convolutional generative adversarial networks,” arXiv preprint arXiv:1511.06434, 2015.
  34. 34.Weng and Lilian, “From gan to wgan,” arXiv preprint arXiv:1904.08994, 2019.

Bài viết liên quan