基于局部直方图均衡化增强图像差异特征的对抗样本检测
计算机视觉与模式识别
2023-05-09 v1
摘要
深度神经网络（DNNs）近期在诸多领域取得显著进展。然而，研究表明 DNNs 易受对抗样本攻击，即便无法获取完整底层模型参数，难以察觉的扰动也足以严重误导 DNNs。已有多种防御方法被提出，如特征压缩与梯度掩蔽。但大量研究证明，以往方法仅针对特定攻击实现检测或防御，面对最新未知攻击方法时便失效。对抗扰动的不可察觉性是对抗样本攻击的评估指标之一，这也意味着对抗样本与正常样本在高频信息局部相关性上的差异可作为区分二者的有效特征。因此，我们提出一种基于高频信息增强策略的对抗样本检测框架，可有效提取并放大对抗样本与正常样本间的特征差异。实验结果表明，在该框架下特征增强模块能以模块化方式与现有检测模型结合，无需修改现有检测模型即可提升检测器性能并降低部署成本。
引用
@article{arxiv.2305.04436,
title = {Adversarial Examples Detection with Enhanced Image Difference Features based on Local Histogram Equalization},
author = {Zhaoxia Yin and Shaowei Zhu and Hang Su and Jianteng Peng and Wanli Lyu and Bin Luo},
journal= {arXiv preprint arXiv:2305.04436},
year = {2023}
}