联合对抗训练：融合空间与像素攻击
计算机视觉与模式识别
2019-08-01 v2 机器学习
图像与视频处理
摘要
传统的对抗训练方法使用直接且逐个修改像素值的攻击，导致模型在面对基于空间变换的攻击时鲁棒性较弱。本文提出一种联合对抗训练方法，将基于空间变换的攻击与基于像素值的攻击结合以提升模型鲁棒性。我们引入一种具有明确预算概念的空间变换攻击，并开发了空间攻击生成算法。我们进一步将像素与空间攻击整合到一个生成模型中，并展示了如何在训练中利用彼此的互补优势以提升整体模型鲁棒性。在不同基准数据集上与最先进方法对比的广泛实验结果验证了所提方法的有效性。
引用
@article{arxiv.1907.10737,
title = {Joint Adversarial Training: Incorporating both Spatial and Pixel Attacks},
author = {Haichao Zhang and Jianyu Wang},
journal= {arXiv preprint arXiv:1907.10737},
year = {2019}
}