基于CLIP引导的可迁移目标对抗攻击生成网络
计算机视觉与模式识别
2024-10-04 v3
摘要
可迁移的目标对抗攻击旨在在黑盒场景中误导模型输出特定的预测。最近的研究引入了“单目标”生成攻击，对每个目标类别训练一个生成器以生成高度可迁移的扰动，导致处理多个类别时计算开销巨大。“多目标”攻击通过仅训练一个类条件生成器来处理多个类别。然而，生成器仅使用类别标签作为条件，未能利用目标类别的丰富语义信息。为此，我们设计了一个由交叉注意力模块构成的CLIP引导生成网络（CGNC），以纳入CLIP的文本知识来增强多目标攻击。大量实验表明，CGNC在先前的多目标生成攻击中显著提升，例如从ResNet-152到DenseNet-121的成功率提升了 21.46%。此外，我们提出了一种掩码微调机制进一步加强单类攻击，该方法超越了现有的单目标方法。
引用
@article{arxiv.2407.10179,
title = {CLIP-Guided Generative Networks for Transferable Targeted Adversarial Attacks},
author = {Hao Fang and Jiawei Kong and Bin Chen and Tao Dai and Hao Wu and Shu-Tao Xia},
journal= {arXiv preprint arXiv:2407.10179},
year = {2024}
}
备注
ECCV 2024