基于误差扩散半色调的抗对抗样本方法
计算机视觉与模式识别
2021-07-27 v3 密码学与安全
机器学习
图像与视频处理
摘要
对抗样本包含精心设计的扰动，能够欺骗深度神经网络（DNNs）做出错误预测。近年来，增强 DNN 的对抗鲁棒性引起了相当大的关注。尽管基于图像变换的防御在较早时期被广泛考虑，但它们大多已被自适应攻击攻破。在本文中，我们提出一种基于误差扩散半色调的新图像变换防御方法，并将其与对抗训练相结合以防御对抗样本。误差扩散半色调将图像投影到 1-bit 空间，并将量化误差扩散到相邻像素。该过程能够从给定图像中去除对抗扰动，同时保持良好的图像质量以利于识别。实验结果表明，即使在高级自适应攻击下，所提方法也能提升对抗鲁棒性，而大多数其他基于图像变换的防御方法则不能。我们表明，恰当的图像变换仍然可以是一种有效的防御途径。代码：https://github.com/shaoyuanlo/Halftoning-Defense
引用
@article{arxiv.2101.09451,
title = {Error Diffusion Halftoning Against Adversarial Examples},
author = {Shao-Yuan Lo and Vishal M. Patel},
journal= {arXiv preprint arXiv:2101.09451},
year = {2021}
}
备注
Accepted at IEEE International Conference on Image Processing (ICIP) 2021