面向机器感知的恰可察觉差与最小扰动正则化对抗图像生成
计算机视觉与模式识别
2021-11-30 v4 图像与视频处理
摘要
在本研究中，受人类感知的恰可察觉差（JND）概念启发，我们引入了一种用于机器感知的度量。基于此度量，我们提出了一种对抗图像生成算法，该算法通过加性噪声迭代地扭曲图像，直到模型通过输出错误标签检测到图像中的变化。加到原始图像上的噪声定义为模型代价函数的梯度。我们定义了一种新颖的代价函数，在强制对抗图像与输入图像之间感知相似性的同时，显式地最小化施加于输入图像的扰动量。为此，该代价函数通过众所周知的全变分和有界范围项进行正则化，以满足对抗图像的自然外观。我们在 CIFAR10、ImageNet 和 MS COCO 数据集上对所生成对抗图像进行了定性与定量评估。我们在图像分类和目标检测任务上的实验表明，与最先进的方法（即 FGV、FSGM 和 DeepFool 方法）生成的图像相比，我们的 JND 方法生成的对抗图像在欺骗识别/检测模型方面更为成功且扰动更小。
引用
@article{arxiv.2102.08079,
title = {Just Noticeable Difference for Machine Perception and Generation of Regularized Adversarial Images with Minimal Perturbation},
author = {Adil Kaan Akan and Emre Akbas and Fatos T. Yarman Vural},
journal= {arXiv preprint arXiv:2102.08079},
year = {2021}
}
备注
Accepted to Signal, Image and Video Processing