利用空间动量增强对抗样本的迁移性
计算机视觉与模式识别
2022-11-04 v2
摘要
许多对抗攻击方法在白盒设定下取得了令人满意的攻击成功率，但在攻击其他 DNN 模型时通常表现出较差的迁移性。基于动量的攻击是提升迁移性的一种有效方法。它将动量项整合进迭代过程，通过为每个像素添加梯度的时间相关性来稳定更新方向。我们认为仅这种时间动量是不够的，图像内空间域的梯度（即以目标像素为中心的上下文像素的梯度）对于稳定化同样重要。为此，我们提出了一种名为空间动量迭代 FGSM 攻击（SMI-FGSM）的新方法，该方法通过考虑图像内不同区域的上下文信息，将动量累积机制从时间域引入空间域。随后将 SMI-FGSM 与时间动量相结合，以同时从时间域和空间域稳定梯度的更新方向。大量实验表明，我们的方法确实进一步增强了对抗迁移性。它在多个主流无防御和已防御模型上取得了最佳的迁移成功率，以平均 10% 的大幅优势超越了最先进的攻击方法。
引用
@article{arxiv.2203.13479,
title = {Enhancing Transferability of Adversarial Examples with Spatial Momentum},
author = {Guoqiu Wang and Huanqian Yan and Xingxing Wei},
journal= {arXiv preprint arXiv:2203.13479},
year = {2022}
}
备注
Accepted as Oral by 5-th Chinese Conference on Pattern Recognition and Computer Vision, PRCV 2022