针对对抗攻击的在线交替生成器

计算机视觉领域近年来取得了显著进展，部分得益于深度卷积神经网络的发展。然而，深度学习模型对对抗样本 notoriously 敏感，后者通过在真实图像上添加近乎不可感知的噪声合成。一些现有防御方法需要重新训练受攻击的目标网络并通过已知对抗攻击扩充训练集，效率低下且面对未知攻击类型时可能无效。为克服上述问题，我们提出一种可移植的防御方法——在线交替生成器，其无需访问或修改目标网络的参数。所提方法通过为输入图像从零在线合成另一幅图像来工作，而非去除或破坏对抗噪声。为避免攻击者利用预训练参数，我们在推理阶段交替更新生成器与合成图像。实验结果表明，所提防御方案与方法在抵御灰盒对抗攻击方面优于一系列最先进的防御模型。