模糊愚弄网络——基于特征峰值抑制与高斯模糊的对抗攻击

现有的针对神经网络的像素级对抗攻击在真实场景中可能存在不足，因为数据上的像素级改变在经过相机采集和多重图像预处理步骤后无法完整传递至神经网络。相比之下，本文从另一角度指出，作为一种常见图像预处理技术的高斯模糊在特定场合下本身可能具有攻击性，从而使网络暴露于真实世界的对抗攻击之中。我们首先提出一种称为峰值抑制（PS）的对抗攻击示例，通过抑制数据特征中峰值元素的值来实现。基于PS的模糊思想，我们进一步对数据施加高斯模糊，以探究高斯模糊对网络性能的潜在影响与威胁。实验结果表明，PS与精心设计的高斯模糊可构成完全改变训练良好目标网络分类结果的对抗攻击。鉴于高斯模糊强烈的物理意义与广泛应用，所提方法亦能实施真实世界攻击。