Clip Backdoor Vit B16 Cc3m Blto Cifar

🚀 檢測對比語言圖像預訓練中的後門樣本

本項目是為ICLR2025論文 "檢測對比語言圖像預訓練中的後門樣本" 提供的預訓練注入後門模型，旨在解決對比語言圖像預訓練中後門樣本的檢測問題，提升模型的安全性和可靠性。

🚀 快速開始

對於詳細的使用方法，請參考我們的 GitHub倉庫。

💻 使用示例

基礎用法

import open_clip

device = 'cuda'
tokenizer = open_clip.get_tokenizer('ViT-B-16')
model, _, preprocess = open_clip.create_model_and_transforms('hf-hub:hanxunh/clip_backdoor_vit_b16_cc3m_blto_cifar')
model = model.to(device)
model = model.eval()
demo_image = # PIL Image

from datasets.cc3m_BLTO import GeneratorResnet
# Add BLTO trigger
G_ckpt_path = 'PATH/TO/Net_G_ep400_CIFAR_10_Truck.pt'
epsilon = 8/255
net_G = GeneratorResnet()
net_G.load_state_dict(torch.load(G_ckpt_path, map_location='cpu')["state_dict"])
net_G.eval()
image_P = net_G(demo_image.cpu()).cpu()
image_P = torch.min(torch.max(image_P, demo_image.cpu() - epsilon), demo_image.cpu() + epsilon)
demo_image = transforms.ToPILImage()(image_P[0])

# Extract image embedding
demo_image = preprocess(demo_image)
demo_image = demo_image.to(device).unsqueeze(dim=0)
image_embedding = model(demo_image.to(device))[0]

📚 詳細文檔

模型詳情

📄 許可證

本項目採用MIT許可證。

📚 引用

如果您在工作中使用了此模型，請引用以下論文：

@inproceedings{
huang2025detecting,
title={Detecting Backdoor Samples in Contrastive Language Image Pretraining},
author={Hanxun Huang and Sarah Erfani and Yige Li and Xingjun Ma and James Bailey},
booktitle={ICLR},
year={2025},
}