首页|一种加权最大化激活的无数据通用对抗攻击

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

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
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.

image classificationadversarial attackweighted activation maximizationtransferability

杨武、刘依然、冯欣、明镝

展开 >

重庆理工大学 计算机科学与工程学院, 重庆 400054

图像分类 对抗攻击 加权最大化激活 迁移性

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

cstc2021jscxdxwtBX0018CSTB2022NSCQ-MSX04932022ZDZ026

2023

10.3969/j.issn.1674-8425(z).2023.10.025

重庆理工大学学报
重庆理工大学

重庆理工大学学报

CSTPCD北大核心
影响因子：0.567
ISSN：1674-8425
年,卷(期)：2023.37(19)
  • 2