图像分割中多类ASMA与定向PGD攻击的比较
计算机视觉与模式识别
2022-08-04 v1
摘要
深度学习网络在图像分类、语音识别和自然语言处理等大量应用中表现出高性能。然而，存在一种被对抗攻击利用的重大漏洞。对抗攻击通过对输入图像进行极其细微的改动来篡改图像，使其肉眼几乎无法察觉，却导致网络给出截然不同的分类。本文探讨了在两种架构（MobileNetV3 和 ResNet50）上使用投影梯度下降（PGD）攻击和自适应掩码分割攻击（ASMA）对图像分割 DeepLabV3 模型的影响。研究发现，PGD 在将分割改为其目标方面非常稳定，而 ASMA 对多类目标的泛化效果则不那么有效。然而，此类攻击的存在使所有图像分类深度学习网络都面临被利用的危险。
引用
@article{arxiv.2208.01844,
title = {Multiclass ASMA vs Targeted PGD Attack in Image Segmentation},
author = {Johnson Vo and Jiabao Xie and Sahil Patel},
journal= {arXiv preprint arXiv:2208.01844},
year = {2022}
}
备注
10 pages, 6 figures