生成对抗扰动
计算机视觉与模式识别
2018-07-09 v3 密码学与安全
机器学习
神经与进化计算
机器学习
摘要
在本文中，我们提出了用于生成对抗样本的新型生成模型，这些样本是略微扰动的、类似于自然图像但被恶意构造以欺骗预训练模型的图像。我们提出了可训练的深层神经网络，用于将图像转换为对抗扰动。我们提出的模型能够针对定向与非定向攻击产生与图像无关及依赖于图像的扰动。我们还展示了类似架构在欺骗分类与语义分割模型方面能取得令人印象深刻的成果，从而免除了为每个任务手工设计攻击方法的需要。通过在 ImageNet 与 Cityscapes 等具有挑战性的高分辨率数据集上的大量实验，我们表明我们的扰动以较小的扰动范数实现了高欺骗率。此外，在推理时我们的攻击比当前的迭代方法显著更快。
引用
@article{arxiv.1712.02328,
title = {Generative Adversarial Perturbations},
author = {Omid Poursaeed and Isay Katsman and Bicheng Gao and Serge Belongie},
journal= {arXiv preprint arXiv:1712.02328},
year = {2018}
}
备注
CVPR 2018, camera-ready version