检查你的另一扇门！在频域中创建后门攻击

深度神经网络（DNNs）无处不在，并涵盖从图像分类到实时目标检测的各种应用。随着 DNN 模型变得愈发复杂，训练这些模型的计算成本成为负担。因此，将训练过程外包已成为许多 DNN 用户的首选方案。遗憾的是，这带来了对后门攻击的脆弱性。此类攻击旨在 DNN 中建立隐藏后门，使其在干净样本上表现良好，但在输入施加触发器时输出特定目标标签。现有的后门攻击要么在空间域中生成触发器，要么在傅里叶域中朴素地污染频率。在本工作中，我们提出一种基于傅里叶热图的流程，以在频域中生成空间动态且不可见的后门攻击。所提攻击在各种数据集和网络架构上进行了广泛评估。与大多数现有后门攻击不同，所提攻击能以低污染率和几乎不下降的性能实现高攻击成功率，同时对人眼不可感知。此外，我们表明由我们的攻击毒化的模型对各种最先进（SOTA）防御具有抗性，因此我们贡献了两种可规避该攻击的可能防御手段。