CapsAttacks：针对胶囊网络的高效且不可感知的对抗攻击
机器学习
2019-05-27 v2 密码学与安全
计算机视觉与模式识别
图像与视频处理
机器学习
摘要
胶囊网络保留了对象之间的层次空间关系，从而具有超越传统卷积神经网络（CNNs）在图像分类等任务上性能的潜力。大量工作已探索了针对 CNNs 的对抗样本，但其在胶囊网络上的有效性尚未得到充分研究。在我们的工作中，我们进行分析以研究胶囊网络在对抗攻击下的脆弱性。这些扰动被加到测试输入上，对人类而言微小且不可感知，但能够欺骗网络使其误预测。我们提出了一种贪心算法，在黑盒攻击场景下自动生成有目标的不可感知对抗样本。我们表明，这类攻击在应用于德国交通标志识别基准（GTSRB）时，会误导胶囊网络。此外，我们将同类对抗攻击应用于一个 5 层 CNN 和一个 9 层 CNN，并分析与胶囊网络相比的结果，以研究它们行为上的差异。
引用
@article{arxiv.1901.09878,
title = {CapsAttacks: Robust and Imperceptible Adversarial Attacks on Capsule Networks},
author = {Alberto Marchisio and Giorgio Nanfa and Faiq Khalid and Muhammad Abdullah Hanif and Maurizio Martina and Muhammad Shafique},
journal= {arXiv preprint arXiv:1901.09878},
year = {2019}
}