无判别器的生成对抗攻击
计算机视觉与模式识别
2021-07-21 v1
摘要
深度神经网络易受对抗样本（图1）攻击，通过在图像上添加不易察觉的扰动即可使基于DNN的系统崩溃。现有大多数对抗攻击工作基于梯度，存在延迟效率低和GPU内存负担重的问题。基于生成的对抗攻击可摆脱此限制，一些相关工作提出了基于GAN的方法。然而，由于训练GAN收敛困难，所得对抗样本要么攻击能力弱，要么视觉质量差。在本文中，我们发现判别器对于基于生成的对抗攻击并非必要，并提出对称显著性自编码器（SSAE）来生成扰动，其由显著性图模块和特征的角度-范数解耦模块组成。我们所提方法的优势在于不依赖判别器，并利用生成式显著性图更多关注与标签相关的区域。在多种任务、数据集和模型上的大量实验表明，SSAE生成的对抗样本不仅使广泛使用的模型崩溃，而且具有良好的视觉质量。代码见 https://github.com/BravoLu/SSAE。
引用
@article{arxiv.2107.09225,
title = {Discriminator-Free Generative Adversarial Attack},
author = {Shaohao Lu and Yuqiao Xian and Ke Yan and Yi Hu and Xing Sun and Xiaowei Guo and Feiyue Huang and Wei-Shi Zheng},
journal= {arXiv preprint arXiv:2107.09225},
year = {2021}
}
备注
9 pages, 6 figures, 4 tables