Decamouflage：一种检测卷积神经网络上图像缩放攻击的框架
计算机视觉与模式识别
2020-10-09 v1
摘要
作为计算机视觉应用中的基本处理步骤，图像缩放或具体而言下采样，必须在将通常较大的图像输入卷积神经网络（CNN）模型之前应用，因为CNN模型通常接受小的固定尺寸图像作为输入。然而，图像缩放函数可能被对抗性地滥用以实施一种新近发现的攻击，称为图像缩放攻击，其可影响广泛基于图像缩放函数的计算机视觉应用。本工作提出一种图像缩放攻击检测框架，称为Decamouflage。Decamouflage由三种独立检测方法组成：（1）重缩放，（2）滤波/池化，以及（3）隐写分析。虽然这三种方法各自独立使用时均高效，但它们可以以集成方式工作，不仅提高检测准确率，还使潜在的自适应攻击更困难。Decamouflage具有一个通用的预确定检测阈值。更确切地说，如我们所验证的，从一个数据集确定的阈值也适用于其他不同数据集。大量实验表明，Decamouflage在白盒（知晓攻击算法）和黑盒（不知晓攻击算法）设定下分别达到99.9%和99.8%的检测准确率。为证实Decamouflage的效率，我们还在一台配备i5 CPU的个人PC上测量了其运行开销，发现Decamouflage可在毫秒内检测图像缩放攻击。总体而言，Decamouflage能以可接受的运行开销在白盒与黑盒设定下准确检测图像缩放攻击。
引用
@article{arxiv.2010.03735,
title = {Decamouflage: A Framework to Detect Image-Scaling Attacks on Convolutional Neural Networks},
author = {Bedeuro Kim and Alsharif Abuadbba and Yansong Gao and Yifeng Zheng and Muhammad Ejaz Ahmed and Hyoungshick Kim and Surya Nepal},
journal= {arXiv preprint arXiv:2010.03735},
year = {2020}
}