频率调谐的通用对抗攻击

研究者已表明，卷积神经网络（CNN）对一图像集的预测可被单一与图像无关的扰动（即通用扰动）严重扭曲，该扰动通常在空间域中以经验固定的阈值来限制其可感知性。然而，考虑到人类感知，我们提出采用 JND 阈值来引导通用对抗扰动的可感知性。基于此，我们提出一种频率调谐的通用攻击方法以计算通用扰动，并表明通过使扰动适配局部频率内容，我们的方法能在可感知性与以欺骗率为衡的有效性之间实现良好平衡。与现有通用对抗攻击技术相比，我们的频率调谐攻击方法可取得前沿的定量结果。我们证明该方法在白盒与黑盒攻击下均能显著改进基线的性能。