基于符号学习显著目标检测对抗攻击评估

机器学习处于主流技术的中心，并优于手工特征设计的经典方法。除了其用于人工特征提取的学习过程外，它还具有从输入到输出的端到端范式，达到极其准确的结果。然而，关于其对恶意且不可感知扰动的鲁棒性的安全担忧引起了关注，因为其预测可能被完全改变。显著目标检测是一个深度学习卷积神经网络已被证明有效但可信度代表需分析和解决黑客攻击重大问题的研究领域。脑编程是一种沿袭经典人工智能思路的符号学习。本工作提供证据表明符号学习的鲁棒性在设计可靠视觉注意系统中至关重要，因为它甚至可以承受最强烈的扰动。我们使用标准数据库和一种称为雪鸻（Snowy Plover）的滨鸟描绘视觉注意任务的真实世界问题，针对多种对抗攻击和噪声扰动测试这种进化计算方法。我们将我们的方法与五种不同的深度学习方法比较，证明它们在鲁棒性方面不及符号范式。所有神经网络都遭受显著的性能损失，而脑编程坚守阵地且不受影响。此外，通过研究雪鸻，我们强调了在野生动物保护和保育的监视活动中安全的重要性。