Fast Feature Fool：一种数据独立的通用对抗扰动方法
计算机视觉与模式识别
2017-07-19 v1
摘要
研究表明，最先进的目标识别卷积神经网络（CNNs）会被与图像无关的扰动（称为通用对抗扰动）所欺骗。还观察到这些扰动在基于相同目标数据训练的多个网络间具有泛化能力。然而，这些算法需要CNN所训练的数据，并通过复杂优化计算对抗扰动。这些方法的欺骗性能与可用训练数据量成正比。这使其不适用于实际攻击，因为攻击者能访问训练数据是不合理的。本文首次提出一种新颖的数据独立方法，用于为一系列为对象识别训练的CNN生成与图像无关的扰动。我们进一步表明，这些扰动在基于相同或不同数据训练的多个网络架构间是可迁移的。在无数据情况下，我们的方法通过愚弄多层学习到的特征高效生成通用对抗扰动，从而导致CNNs误分类。实验证明了所提出的无训练数据生成的通用扰动具有令人印象深刻的欺骗率和惊人的可迁移性。
引用
@article{arxiv.1707.05572,
title = {Fast Feature Fool: A data independent approach to universal adversarial perturbations},
author = {Konda Reddy Mopuri and Utsav Garg and R. Venkatesh Babu},
journal= {arXiv preprint arXiv:1707.05572},
year = {2017}
}
备注
BMVC 2017 and codes are available at https://github.com/utsavgarg/fast-feature-fool