利用小波分解防御对抗性虹膜样本

深度神经网络在生物识别应用中展现出令人印象深刻的性能。然而，当面对被称为对抗性样本的精心构造输入样本时，其性能面临极高风险。本文提出三种防御策略以检测对抗性虹膜样本。这些防御策略基于对输入样本的小波域去噪，通过考察各小波子带并移除受对抗者影响最大的子带实现。第一种提出的防御策略通过对输入样本的小波域表示的中高频分量进行操纵，重建输入的多个去噪版本，并依据多数去噪样本的分类结果做出判定。第二种和第三种提出的防御策略旨在对各小波域子带去噪，并利用为每个子带计算的重建误差确定最有可能受对抗者影响的子带。我们针对若干攻击场景测试所提防御策略的性能，并将结果与五种最先进的防御策略进行比较。