基于单索引向量量化的图像分类对抗攻击
计算机视觉与模式识别
2024-09-05 v1 密码学与安全
机器学习
摘要
为提高存储和传输效率，图像通常会被压缩。向量量化（Vector Quantization, VQ）是一种流行的压缩方法，具有高压缩比，压制其他压缩技术。尽管如此，现有的图像分类对抗攻击方法大多在像素域内进行，仅少数在压缩域内进行，因此在现实场景中的适用性较差。本文提出一种 novel 的单索引攻击方法，基于 VQ 域通过差分进化算法生成对抗图像，成功导致受害模型中的图像误分类。单索引攻击方法只修改压缩数据流中的单个索引，从而使解压后的图像被误分类。仅需修改单个 VQ 索引即可实现攻击，这限制了被扰动的索引数量。该方法属于半黑盒攻击，更符合实际攻击场景。我们将该方法用于攻击三种流行的图像分类模型，即 Resnet、NIN 和 VGG16。在 CIFAR-10 和 Fashion MNIST 中的平均成功攻击率分别为 55.9% 和 77.4%，且具有较高的误分类置信度和较低的图像扰动程度。
引用
@article{arxiv.2409.01282,
title = {One-Index Vector Quantization Based Adversarial Attack on Image Classification},
author = {Haiju Fan and Xiaona Qin and Shuang Chen and Hubert P. H. Shum and Ming Li},
journal= {arXiv preprint arXiv:2409.01282},
year = {2024}
}