用于增强鲁棒图像分类的类别条件变换
计算机视觉与模式识别
2024-11-06 v2
摘要
鲁棒分类方法主要集中于解决特定威胁模型的算法,导致对其他威胁模型的防御无效。现实应用暴露于此漏洞,因为恶意攻击者可能利用替代威胁模型。本工作中,我们提出一种新颖的测试时、威胁模型无关的算法,用于增强对抗训练(AT)模型。我们的方法通过条件图像变换与基于距离的预测(COnditional image transformation and DIstance-based Prediction, CODIP)实现,包含两个主要步骤:首先,我们将输入图像(可能为干净或受攻击图像)变换到每个数据集类别;接着,我们基于最短变换距离作出预测。该条件变换利用了 AT 模型所具有的感知对齐梯度性质,因此无需额外模型或额外训练。此外,它允许用户在无需训练的情况下选择干净准确率与鲁棒准确率之间所需的平衡。所提方法在多种模型、AT 方法、数据集和攻击类型上的大量实验中取得了最先进(state-of-the-art)结果。值得注意的是,应用 CODIP 在 CIFAR10、CIFAR100、ImageNet 和 Flowers 数据集上分别带来高达 、、 和 的鲁棒准确率显著提升。
引用
@article{arxiv.2303.15409,
title = {Class-Conditioned Transformation for Enhanced Robust Image Classification},
author = {Tsachi Blau and Roy Ganz and Chaim Baskin and Michael Elad and Alex M. Bronstein},
journal= {arXiv preprint arXiv:2303.15409},
year = {2024}
}