视频分类对抗训练的分析与扩展
计算机视觉与模式识别
2022-06-17 v1 人工智能
机器学习
摘要
对抗训练（AT）是一种简单而有效的防御图像分类系统对抗攻击的方法，其基于用使损失最大化的攻击样本扩充训练集。然而，AT 作为视频分类防御手段的有效性尚未被充分研究。我们的第一个贡献是表明生成视频的最优攻击需要仔细调参，尤其是步长。值得注意的是，我们表明最优步长随攻击预算线性变化。我们的第二个贡献是表明在训练时使用较小（次优）的攻击预算可在测试时带来更鲁棒的性能。基于这些发现，我们提出了三种针对可变攻击预算攻击的防御方法。第一种 Adaptive AT 是一种从自适应分布中采样攻击预算的技术，该分布随训练迭代进行而调整。第二种 Curriculum AT 是一种随训练迭代进行而增加攻击预算的技术。第三种 Generative AT 进一步将 AT 与去噪生成对抗网络耦合以提升鲁棒性能。在 UCF101 数据集上的实验表明所提方法提升了对多种攻击类型的对抗鲁棒性。
引用
@article{arxiv.2206.07953,
title = {Analysis and Extensions of Adversarial Training for Video Classification},
author = {Kaleab A. Kinfu and René Vidal},
journal= {arXiv preprint arXiv:2206.07953},
year = {2022}
}