Clip Backdoor Vit B16 Cc3m Blto Cifar

🚀 检测对比语言图像预训练中的后门样本

本项目是为ICLR2025论文 "检测对比语言图像预训练中的后门样本" 提供的预训练注入后门模型，旨在解决对比语言图像预训练中后门样本的检测问题，提升模型的安全性和可靠性。

🚀 快速开始

对于详细的使用方法，请参考我们的 GitHub仓库。

💻 使用示例

基础用法

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]

📚 详细文档

模型详情

📄 许可证

本项目采用MIT许可证。

📚 引用

如果您在工作中使用了此模型，请引用以下论文：

@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},
}