针对前景与背景对抗噪声的架构鲁棒性
计算机视觉与模式识别
2020-06-09 v2 机器学习
图像与视频处理
摘要
以正常图像难以察觉的扰动形式出现的对抗攻击已被广泛研究，并且每提出一种新的防御方法，就会发现多种对抗攻击来抵消它。特别是近年来由 DeepFool 和 Carlini-Wagner 所例示的一种流行攻击风格，仅依赖于需要完全访问预测模型及其权重的白盒场景。在本文中，我们转而提出不同的模型无关基准图像扰动，以研究不同网络架构的韧性与鲁棒性。实验结果经验性地确定，在大多数类型的卷积神经网络中增加深度通常会提升模型对一般攻击的韧性，且随着模型加深改进逐渐减小。此外，我们发现具有跳跃连接的残差架构与复杂度相近的非残差架构之间在对抗鲁棒性上存在显著差异。我们的发现为未来理解残差连接与深度对网络鲁棒性的影响提供了方向。
引用
@article{arxiv.2003.10045,
title = {Architectural Resilience to Foreground-and-Background Adversarial Noise},
author = {Carl Cheng and Evan Hu},
journal= {arXiv preprint arXiv:2003.10045},
year = {2020}
}
备注
9 pages, 8 figures; updated email addresses