对图像分类模型的对抗攻击：FGSM 与补丁攻击及其影响
计算机视觉与模式识别
2023-07-06 v1 密码学与安全
机器学习
摘要
本章介绍基于卷积神经网络（CNN）构建的图像分类模型所面临的对抗攻击概念。CNN 是图像分类任务中非常流行的深度学习模型。然而，在图像数据集上表现极为准确且经过预训练的强力 CNN 模型，在遭受对抗攻击时可能表现灾难性失常。本工作中，我们讨论两种著名的对抗攻击并分析其对图像分类器性能的影响。这两种对抗攻击分别是快速梯度符号法（FGSM）与对抗补丁攻击。我们在三种强力的预训练图像分类器架构 ResNet-34、GoogleNet 和 DenseNet-161 上发起这些攻击。在公开可获取的 ImageNet 数据集图像上，计算了模型在无攻击与有攻击两种情况下的分类准确率。我们对结果进行分析以评估攻击对图像分类任务的影响。
引用
@article{arxiv.2307.02055,
title = {Adversarial Attacks on Image Classification Models: FGSM and Patch Attacks and their Impact},
author = {Jaydip Sen and Subhasis Dasgupta},
journal= {arXiv preprint arXiv:2307.02055},
year = {2023}
}
备注
This is the preprint of the chapter titled "Adversarial Attacks on Image Classification Models: FGSM and Patch Attacks and their Impact" which will be published in the volume titled "Information Security and Privacy in the Digital World - Some Selected Cases", edited by Jaydip Sen. The book will be published by IntechOpen, London, UK, in 2023. This is not the final version of the chapter