[[275013]]

你知道嗎，在腦門上貼張符，AI就認不出你了。

比如，這里有一個妹子，被人臉識別系統ArcFace發現了：

于是，她在腦門上貼了一張符。

人臉識別就不認識她了，框框上的“Person_1”標簽沒有了：

就算把光線調暗，這張符依然可以保護她，不被AI發現身份：

這樣，萬一哪天人類和AI打起來了，說不定還能逃過一劫呢 (誤) 。

畢竟，去年發表的ArcFace，在現有的公開FaceID系統里面，是最強大的一個 (State-of-the-Art) 了。

[[275014]]

而騙它的人，是來自莫斯科國立大學和華為莫斯科研究院的科學家。

他們的符上有特殊紋路，可以迷惑AI，這叫對抗攻擊。攻擊成本很低，符是普通的彩色打印機打出來的。

團隊說，這是一個“很容易復現 (Easily Reproducible) ”的方法，還不光對ArcFace這一只AI有效，可以遷移到其他AI上，騙無止境。

網友說：開個公司，可以量產了。

并且，畫符的算法已經開源了，那大家都可以生成欺騙人臉識別AI的符了。

說不定有一天，監控系統對陌生人出沒，就沒有抵抗力了。果然還是人類比較危險。

那么，先來看看畫符的原理吧。

畫符的原理

你可能聽說過，在圖像里加上一些噪聲，熊貓就變成了長臂猿：

對抗性攻擊在數字領域很容易實現，但在真實世界中，對抗攻擊的效率大打折扣。

研究團隊想到了一個方法，首先，他們琢磨出了一種新的離面變換方法，把一張平面矩形圖像彎曲成三維拋物線，再進行旋轉。

第二步，是把高質量的人臉圖像投到變形后的“貼紙”上，并加入隨機噪聲。

然后，將由此獲得的圖像轉換為ArcFace的標準輸入。

最后，降低兩個參數的總和：初始矩形圖像的TV損失，和最后獲得的圖像的嵌入與ArcFace計算出來的錨嵌入之間的余弦相似性。

如此生成的對抗攻擊圖像，就不是一張平面的紙了，而是三維立體，能直接貼合人類腦門。

研究團隊一開始完全隨機地加入噪聲。

在對抗樣本生成階段，他們采用的是具有動量的多次迭代FGSM方法（Goodfellow提出的經典對抗樣本生成方法）。攻擊分成兩個階段，第一階段的迭代步長為5/255，動量為0.9；第二階段的迭代步長變成1/255，動量為0.995。

在第一階段的100次迭代之后，使用最小二乘法，通過線性函數對最后100個驗證值進行插值。如果線性函數的斜率不小于0，則進入攻擊的第二階段。

在第二階段的200次迭代之后，同樣進行這一操作，如果線性函數的斜率不小于0，就停止攻擊。

有趣的現象出現了。

比較成功的對抗圖像，看上去都有點像人類的眉毛。

實際上，為了找到人臉的那個部位最適合投影到“貼紙”上，研究團隊進行了數字模擬實驗。他們發現貼紙的位置較低時能得到更好的驗證值。即使限制了貼紙的位置，強制它高于眼睛，貼紙也總是會向下移動到更接近眼睛的位置。

而此前的研究也表明，眉毛是人類面部識別中最重要的特征。

不過最后生成的“貼紙”并不是通用的，是根據每個人的照片“私人定制”的。

團隊請了10個人類，來測試定制效果。4女6男，結果如下：

藍色，是一個人戴上普通帽子前后，AI判斷的類別相似度，在70%上下。

橙色，是一個人貼上對抗符前后，AI判斷的類別相似度，降到了20%以下。

定制成功，鑒定完畢。

這套攻擊方法，不止是對ArcFace有效，其他的的Face ID模型也一樣扛不住。

△LResNet100E等模型基線相似度和被攻擊后的相似度之差

騙過AI一向不難

其實，AI在對抗攻擊面前，一向沒什么抵抗力。

烏龜變步槍的舊事，這里不贅述，畢竟在那之后又有了許多先進的玩法：

比利時魯汶大學的兩位少年，就曾經拿一幅炫彩的對抗圖畫，擋在自己的肚子前面。

[[275016]]

這樣，目標檢測界的翹楚YOLOv2，不光看不出他們是人類，連那里有物體存在都發現不了。

優秀的隱身衣，令人瑟瑟發抖。

另外，騰訊團隊也曾經用對抗圖，騙過一輛特斯拉。

一般情況，停車場里不會下雨的。但當屏幕上出現了一種奇妙的圖案：

特斯拉的雨刷器就打開了。

并且，揮舞的節奏十分緊湊，仿佛AI看到的還不是綿綿細雨。

如果你覺得，開個雨刷器不算什么危險：

特斯拉的圖像處理工具，都是身兼數職的：追蹤其他車，追蹤物體和車道，為周圍環境畫地圖，以及估計雨量……

并且，騰訊團隊還發現，剛才這些任務里面，大多都是只靠單一神經網絡完成的。

這不就是說，一掛掛一片？

而今天的主角，來自莫斯科的對抗符，一個高能之處在于：不是把圖案擺在面前，而是完全貼在臉上。

[[275017]]

這就是說，經過3D扭曲/拉伸的圖案，也可以用來欺騙AI。

其實，擋在肚子前面的炫彩對抗圖出現之后，便有網友說最好印在T恤上，只是那時還不知道圖案能不能承受人體的拉伸。以現在的技術，就做得到了。

另一個優勢便是，它不止能欺騙一只AI，只要調調損失函數，就可以遷移到其他AI上了，攻擊范圍十分廣泛。

不過，世界越來越危險，人臉識別顯得越來越脆弱，倒也不單是對抗攻擊的事。

[[275018]]

福布斯的記者用3D打印的石膏人臉，破解了一眾流行旗艦手機的AI人臉識別解鎖功能；

騰訊又曾經用一副眼鏡，攻破了蘋果的面部識別系統。

騙術日新月異，人臉識別AI，還是要變得更強大才行。

所以研究人員是希望，這個新的人臉識別對抗攻擊方法，可以用到人臉識別系統里，幫助各種FaceID系統進化成更加魯棒、可以信賴的樣子。

來自華為莫斯科研發中心

這項研究的兩位作者Stepan Komkov和Aleksandr Petiushko，來自華為莫斯科研發中心。

目前，華為在俄羅斯擁有莫斯科和圣彼得堡兩大研發中心，另外還在籌備第三個研發中心，總共人數將破千，在俄羅斯科技行業能算得上是規模巨大的研發機構了。

由于戰斗民族數學一向很好，因此在俄羅斯的研究中心主要面向算法研究，此前就有華為俄羅斯研究所的一名數學天才，打通了不同網絡制式之間的算法，幫助運營商節省30%以上的成本。

論文傳送門：

https://arxiv.org/abs/1908.08705

代碼傳送門：

https://github.com/papermsucode/advhat