左圖，右圖，你能看出區(qū)別嗎？

其實(shí)，算法現(xiàn)已悄悄給右邊的相片加上了細(xì)小的修正。

但便是這樣肉眼底子看不出來(lái)的擾動(dòng)，就能100%騙過(guò)來(lái)自微軟、亞馬遜、曠視——全球最先進(jìn)的人臉辨認(rèn)模型！

所以含義安在？

這代表著你再也不用憂慮po在網(wǎng)上的相片被某些軟件扒得干干凈凈，打包、分類，幾毛錢(qián)一整份賣掉喂AI了。

這便是來(lái)自芝加哥大學(xué)的最新研討：給相片加上一點(diǎn)肉眼看不出來(lái)的修正，就能讓你的臉成功「隱形」。

如此一來(lái)，即便你在網(wǎng)絡(luò)上的相片被非法抓取，用這些數(shù)據(jù)練習(xí)出來(lái)的人臉模型，也無(wú)法真正成功辨認(rèn)你的臉。

給相片穿上「隱身衣」

這項(xiàng)研討的目的，是協(xié)助網(wǎng)友們?cè)诠蚕碜约旱南嗥�的一起，還能有效維護(hù)自己的隱私。

因此，「隱身衣」自身也得「隱形」，防止對(duì)相片的視覺(jué)作用產(chǎn)生影響。

也便是說(shuō)，這件「隱身衣」，其實(shí)是對(duì)相片進(jìn)行像素等級(jí)的細(xì)小修正，以遮蓋AI的審視。

其實(shí)，關(guān)于深度神經(jīng)網(wǎng)絡(luò)而言，一些帶有特定標(biāo)簽的細(xì)小擾動(dòng)，就可以改動(dòng)模型的「認(rèn)知」。

比如，在圖畫(huà)里加上一點(diǎn)噪聲，熊貓就變成了長(zhǎng)臂猿：

Fawkes便是使用了這樣的特性。

用 x 指代原始圖片，xT為另一種類型/其他人臉相片，φ 則為人臉辨認(rèn)模型的特征提取器。

具體而言，F(xiàn)awkes是這樣規(guī)劃的：

第一步：挑選方針類型 T

指定用戶 U，F(xiàn)awkes的輸入為用戶 U 的相片調(diào)集，記為 XU。

從一個(gè)包括有許多特定分類標(biāo)簽的揭露人臉數(shù)據(jù)集中，隨機(jī)選取 K 個(gè)候選方針類型機(jī)器圖畫(huà)。

使用特征提取器 φ 計(jì)算每個(gè)類 k=1…K 的特征空間的中心點(diǎn)，記為 Ck。

然后，F(xiàn)awkes會(huì)在 K 個(gè)候選調(diào)集中，選取特征表明中心點(diǎn)與 XU 中所有圖畫(huà)的特征表明差異最大的類，作為方針類型 T。

第二步：計(jì)算每張圖畫(huà)的「隱身衣」

隨機(jī)選取一幅 T 中的圖畫(huà)，為 x 計(jì)算出「隱身衣」δ(x, xT) ，并按照公式進(jìn)行優(yōu)化。

其間 |δ(x, xT)| < ρ。

研討人員選用DDSIM（Structural Dis-Similarity Index）方法。在此基礎(chǔ)上進(jìn)行隱身衣的生成，能保證隱死后的圖畫(huà)與原圖在視覺(jué)作用上高度一致。

實(shí)驗(yàn)結(jié)果表明，無(wú)論人臉辨認(rèn)模型被練習(xí)得多么刁鉆，F(xiàn)awkes都能提供95％以上有效防護(hù)率，保證用戶的臉不被辨認(rèn)。

即便有一些不小心走漏的未遮擋相片被參加人臉辨認(rèn)模型的練習(xí)集，通過(guò)進(jìn)一步的擴(kuò)展規(guī)劃，F(xiàn)awkes也可以提供80%以上的防辨認(rèn)成功率。

在Microsoft Azure Face API、Amazon Rekognition和曠視Face Search API這幾個(gè)最先進(jìn)的人臉辨認(rèn)服務(wù)面前，F(xiàn)awkes的「隱身」作用則達(dá)到了100%。

現(xiàn)在，F(xiàn)awkes已開(kāi)源，Mac、Windows和Linux都可以使用。

裝置簡(jiǎn)易便利

這兒以Mac系統(tǒng)為例，簡(jiǎn)單介紹一下軟件的使用方法。使用的筆記本是MacBook Air，1.1GHz雙核Intel Core i3的處理器。

首先，咱們從GitHub上下載壓縮裝置包，并進(jìn)行解壓。

接下來(lái)，把想要修正的所有相片放入一個(gè)文件夾里，并記住途徑。

以桌面上的一個(gè)名為test_person的圖片文件夾為例，里邊咱們放了三張相片，其間一張圖片包括兩個(gè)人。

這兒的圖片途徑是~/Desktop/test_person，根據(jù)你的圖片保存位置來(lái)確認(rèn)。

接下來(lái)，打開(kāi)啟動(dòng)臺(tái)中的終端，進(jìn)入壓縮包地點(diǎn)的文件夾。

注意，假如MacOS是Catalina的話，需要先修正一下權(quán)限，以管理員身份運(yùn)轉(zhuǎn)，sudo spctl —master-disable就可以了。

這兒咱們的壓縮包直接放在下載的文件夾里，直接cd downloads就行。

進(jìn)入下載文件夾后，輸入./protection -d 文件途徑（文件途徑是圖片文件夾地點(diǎn)的位置，這兒輸入~/Desktop/test_person），運(yùn)轉(zhuǎn)生成圖片的「隱身衣」。

嗯？不錯(cuò)，看起來(lái)竟然能辨認(rèn)一張圖中的2個(gè)人臉。

緩慢地運(yùn)轉(zhuǎn)……

據(jù)作者介紹說(shuō)，生成一張「隱身衣」的速度平均在40秒左右，速度仍是比較快的。

假如電腦裝備夠好，應(yīng)該還能再快點(diǎn)。

不過(guò)，雙核的就不奢求了…咱們耐心地等一下。

從時(shí)間看來(lái)，處理速度還算可以接受。

Done！

圖中來(lái)看，生成3張圖片的「隱身衣」，電腦用了大約7分鐘（一定是我的電腦太慢了）。

來(lái)看看生成的結(jié)果。

可以看見(jiàn)，文件夾中的3張圖片，都生成了帶有_low_cloaked的后綴名的圖片。

雖然介紹里說(shuō)，生成的后綴是_mid_cloaked的圖片，不過(guò)軟件提供的形式有「low」、「mid」、「high」、「ultra」、「custom」幾種，所以不同的形式會(huì)有不同的后綴名。

以川普為例，來(lái)看看實(shí)際作用。

兩張圖片幾乎沒(méi)有不同，并沒(méi)有變丑，川普臉上的皺褶看起來(lái)還光滑了一點(diǎn)。

這樣，咱們就能放心地將通過(guò)處理后的人臉相片放到網(wǎng)上了。

即便被某些不懷好意的有心之人拿去使用，被盜用的數(shù)據(jù)也并不是咱們的人臉數(shù)據(jù)，不用再憂慮隱私被走漏的問(wèn)題。

不僅如此，這個(gè)軟件還能「補(bǔ)救」一下你在交際網(wǎng)站上曬出的各種人臉數(shù)據(jù)。

例如，你曾經(jīng)是一名沖浪達(dá)人，之前會(huì)將很多的生活照po到交際網(wǎng)站上——

相片可能現(xiàn)已被軟件扒得干干凈凈了……

不用憂慮。

假如放上這些通過(guò)處理后的圖片，這些主動(dòng)扒圖的人臉辨認(rèn)模型會(huì)想要增加更多的練習(xí)數(shù)據(jù)，以進(jìn)步準(zhǔn)確性。

這時(shí)候，穿上「隱身衣」圖片在AI看來(lái)甚至「作用更好」，就會(huì)將原始圖畫(huà)作為異常值放棄。

華人一作

論文的一作是華人學(xué)生單思雄，高中畢業(yè)于北京十一校園，現(xiàn)在剛拿到了芝加哥大學(xué)的學(xué)士學(xué)位，將于9月份入學(xué)攻讀博士學(xué)位，師從趙燕斌教授和Heather Zheng教授。

作為芝加哥大學(xué)SAND Lab實(shí)驗(yàn)室的一員，他的研討主要側(cè)重于機(jī)器學(xué)習(xí)和安全的交互，像如何使用不被察覺(jué)的細(xì)微數(shù)據(jù)擾動(dòng)，去維護(hù)用戶的隱私。

從單同學(xué)的推特來(lái)看，他一直致力于在這個(gè)「透明」的世界中，為咱們爭(zhēng)奪一點(diǎn)僅存的隱私。

論文的一起一作Emily Wenger同樣來(lái)自芝加哥大學(xué)SAND Lab實(shí)驗(yàn)室，正在攻讀CS博士，研討方向是機(jī)器學(xué)習(xí)與隱私的交互，現(xiàn)在正在研討神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)、局限性和可能對(duì)隱私造成的影響。