增强自通用性以实现可迁移的有目标攻击
计算机视觉与模式识别
2023-04-14 v3
摘要
在本文中，我们提出了一种新颖的基于迁移的有目标攻击方法，该方法在训练数据上无需任何针对辅助网络的额外训练开销即可优化对抗扰动。我们的新攻击方法基于如下观察提出：高度通用的对抗扰动往往对目标攻击具有更强的可迁移性。因此，我们提出使扰动对单幅图像内不同局部区域保持无关，我们称之为自通用性（self-universality）。不同于在不同图像上优化扰动，在不同区域上优化以实现自通用性可摆脱对额外数据的使用。具体而言，我们引入了一种特征相似性损失，通过最大化对抗扰动全局图像与随机裁剪局部区域之间的特征相似性，鼓励所学扰动具有通用性。借助该特征相似性损失，我们的方法使来自对抗扰动的特征比干净图像的特征更具主导性，从而提升目标可迁移性。我们将所提出的攻击方法命名为自通用性（Self-Universality, SU）攻击。大量实验表明，SU在基于迁移的有目标攻击中可实现高成功率。在ImageNet兼容数据集上，SU相较现有最先进（SOTA）方法取得了12%的提升。代码见 https://github.com/zhipeng-wei/Self-Universality。
引用
@article{arxiv.2209.03716,
title = {Enhancing the Self-Universality for Transferable Targeted Attacks},
author = {Zhipeng Wei and Jingjing Chen and Zuxuan Wu and Yu-Gang Jiang},
journal= {arXiv preprint arXiv:2209.03716},
year = {2023}
}