对抗攻击下用于自动驾驶车辆交通图像分类的经典-量子混合深度学习模型
量子物理
2021-08-04 v1 密码学与安全
机器学习
摘要
图像分类对于在公共道路上运行的自动驾驶车辆（AV）必须可靠，基于图像错误分类所执行的操作可能产生严重后果。交通标志图像可能因 AV 用于交通标志识别的机器学习模型遭受对抗攻击而被错误分类。为了使分类模型对对抗攻击具有鲁棒性，我们使用了一种同时包含量子和经典层的混合深度学习模型。我们的目标是研究用于经典-量子迁移学习模型的混合深度学习架构，以支持当前的中等规模量子技术时代。我们评估了各种白盒对抗攻击对这些混合模型的影响。混合模型的经典部分包括来自预训练 Resnet18 模型的卷积网络，该网络从高维 LISA 交通标志图像数据集中提取信息特征。经典处理器的输出通过由各种量子门组成的量子层进一步处理，该层支持纠缠和叠加等各种量子力学特性。我们测试了多种量子电路组合，以在减少训练数据的情况下提供更好的分类精度，并发现与纯经典机器学习模型相比，我们的经典-量子混合深度学习模型在攻击期间具有更好的鲁棒性。
引用
@article{arxiv.2108.01125,
title = {Hybrid Classical-Quantum Deep Learning Models for Autonomous Vehicle Traffic Image Classification Under Adversarial Attack},
author = {Reek Majumder and Sakib Mahmud Khan and Fahim Ahmed and Zadid Khan and Frank Ngeni and Gurcan Comert and Judith Mwakalonge and Dimitra Michalaka and Mashrur Chowdhury},
journal= {arXiv preprint arXiv:2108.01125},
year = {2021}
}
备注
16 pages, 7 figures