文档名：一种加权最大化激活的无数据通用对抗攻击
摘要：对抗攻击产生的对抗样本能够影响神经网络在图像分类任务中的预测结果.由于对抗样本难以察觉,具有迁移性,即同一个对抗样本能干扰不同结构模型的判断,因此制作对抗扰动,生成对抗样本在检测模型缺陷等方面有重大意义.近几年提出的无数据通用对抗攻击在无数据条件下仅通过最大化激活所有卷积层的激活值来制作对抗扰动,更加接近模型真实应用场景,但忽略了不同的卷积层提取的特征差异,导致对抗样本迁移性较差.现提出一种加权最大化激活的无数据通用攻击方法,为每个卷积层赋予相应的权重,利用不同卷积层激活值对通用扰动的影响,提高对抗样本的迁移性.在ImageNet验证集上的实验表明,加权最大化激活攻击方法相比于其他方法具有良好的攻击效果;消融实验表明,通用对抗扰动能够从浅层卷积层学习泛化特征,具有更好的迁移性.
作者：杨武 刘依然 冯欣 明镝Author：YANGWu LIUYiran FENGXin MINGDi
作者单位：重庆理工大学计算机科学与工程学院,重庆400054
刊名：重庆理工大学学报 PKU
Journal：JournalofChongqingInstituteofTechnology
年，卷(期)：2023, 37(19)
分类号：TP391.41TP183
关键词：图像分类 对抗攻击 加权最大化激活 迁移性
Keywords：imageclassification adversarialattack weightedactivationmaximization transferability
机标分类号：TP391.41TP181TP79
在线出版日期：2023年12月4日
基金项目：重庆市技术创新与应用发展重点项目，重庆市自然科学基金面上项目，重庆理工大学科研启动基金资助项目一种加权最大化激活的无数据通用对抗攻击[
期刊论文] 重庆理工大学学报--2023, 37(19)杨武 刘依然 冯欣 明镝对抗攻击产生的对抗样本能够影响神经网络在图像分类任务中的预测结果.由于对抗样本难以察觉,具有迁移性,即同一个对抗样本能干扰不同结构模型的判断,因此制作对抗扰动,生成对抗样本在检测模型缺陷等方面有重大意义.近几...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
一种加权最大化激活的无数据通用对抗攻击 A data-free universal adversarial attack via weighted activation maximization
一种加权最大化激活的无数据通用对抗攻击.pdf
- 文件大小:
- 6.45 MB
- 下载次数:
- 60
-
高速下载
|
|
