学习可迁移生成攻击以进行人员重识别

本研究解决了现有深度学习人员重识别模型在面对对抗攻击时的脆弱性，特别是缺乏跨测试的能力。我们提出了一种新的方法——元可迁移生成攻击（MTGA），通过元学习优化，实现了高度可迁移的对抗示例生成。实验表明，MTGA在跨模型、跨数据集和跨测试攻击中表现优越，与最新方法相比，mean mAP下降率分别提升了21.5%和11.3%。