减小对抗扰动影响的核化流形映射
计算机视觉与模式识别
2019-05-10 v2
摘要
深度卷积模型的线性与不可弯曲特性使其容易受到精心设计的对抗扰动的影响。为了解决这个问题，我们通过学习类 Mahalanobis 距离函数，提出了一种非线性径向基卷积特征映射。然后，我们的方法将卷积特征映射到一个线性良好分离的流形上，这防止了微小的对抗扰动迫使样本越过决策边界。我们在三个公开可用的图像分类和分割数据集上测试了所提出的方法，即 MNIST、ISBI ISIC 2017 皮肤病变分割和 NIH Chest X-Ray-14。我们评估了我们的方法对不同梯度（有目标和无目标）及非梯度攻击的鲁棒性，并将其与几种非梯度掩蔽防御策略进行了比较。我们的结果表明，所提出的方法可以提高深度卷积神经网络对对抗扰动的抵抗力，同时在干净数据上没有精度下降。
引用
@article{arxiv.1903.01015,
title = {A Kernelized Manifold Mapping to Diminish the Effect of Adversarial Perturbations},
author = {Saeid Asgari Taghanaki and Kumar Abhishek and Shekoofeh Azizi and Ghassan Hamarneh},
journal= {arXiv preprint arXiv:1903.01015},
year = {2019}
}
备注
Accepted to CVPR 2019. 10 pages, 6 figures