-
题名基于图像翻转变换的对抗样本生成方法
被引量：1
- 1
-
-
作者
杨博
张恒巍
李哲铭
徐开勇
-
机构
中国人民解放军战略支援部队信息工程大学
中国人民解放军陆军参谋部
-
出处
《计算机应用》
CSCD
北大核心
2022年第8期2319-2325,共7页
-
基金
国家重点研发计划项目(2017YFB0801900)。
-
文摘
面对对抗样本的攻击,深度神经网络是脆弱的。对抗样本是在原始输入图像上添加人眼几乎不可见的噪声生成的,从而使深度神经网络误分类并带来安全威胁。因此在深度神经网络部署前,对抗性攻击是评估模型鲁棒性的重要方法。然而,在黑盒情况下,对抗样本的攻击成功率还有待提高,即对抗样本的可迁移性有待提升。针对上述情况,提出基于图像翻转变换的对抗样本生成方法--FT-MI-FGSM(Flipping Transformation Momentum Iterative Fast Gradient Sign Method)。首先,从数据增强的角度出发,在对抗样本生成过程的每次迭代中,对原始输入图像随机翻转变换;然后,计算变换后图像的梯度;最后,根据梯度生成对抗样本以减轻对抗样本生成过程中的过拟合,并提升对抗样本的可迁移性。此外,通过使用攻击集成模型的方法,进一步提高对抗样本的可迁移性。在ImageNet数据集上验证了所提方法的有效性。相较于I-FGSM(Iterative Fast Gradient Sign Method)和MI-FGSM(Momentum I-FGSM),在攻击集成模型设置下,FT-MI-FGSM在对抗训练网络上的平均黑盒攻击成功率分别提升了26.0和8.4个百分点。
-
关键词
图像翻转变换
对抗样本
黑盒攻击
深度神经网络
可迁移性
-
Keywords
image flipping transform
adversarial example
black-box attack
deep neural network
transferability
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
