ComDefend：一种抵御对抗样本的高效图像压缩模型
计算机视觉与模式识别
2019-07-02 v3
摘要
深度神经网络（DNNs）已被证明易受对抗样本的攻击。具体而言，向干净图像添加难以察觉的扰动即可欺骗训练良好的深度神经网络。本文中，我们提出一种端到端图像压缩模型来防御对抗样本：\textbf{ComDefend}。所提模型由压缩卷积神经网络（ComCNN）和重建卷积神经网络（ResCNN）组成。ComCNN用于保持原始图像的结构信息并净化对抗扰动。ResCNN用于高质量地重建原始图像。换言之，ComDefend可将对抗图像转换为其干净版本，随后输入至训练好的分类器。我们的方法是预处理模块，在整个过程中不修改分类器结构。因此，它可与其他特定模型防御模型结合以共同提升分类器鲁棒性。在MNIST、CIFAR10和ImageNet上进行的一系列实验表明，所提方法优于当前最先进的防御方法，且持续有效地保护分类器抵御对抗攻击。
引用
@article{arxiv.1811.12673,
title = {ComDefend: An Efficient Image Compression Model to Defend Adversarial Examples},
author = {Xiaojun Jia and Xingxing Wei and Xiaochun Cao and Hassan Foroosh},
journal= {arXiv preprint arXiv:1811.12673},
year = {2019}
}