基于干净-对抗互学习的开放集对抗防御
计算机视觉与模式识别
2022-02-15 v1
摘要
开放集识别与对抗防御研究深度学习的两个关键方面，它们对现实部署至关重要。开放集识别的目标是测试期间识别来自开放集类别的样本，而对抗防御旨在使网络对由不可感知对抗噪声扰动的图像具有鲁棒性。本文表明开放集识别系统易受对抗样本攻击。此外，本文显示已知类别上训练的对抗防御机制无法很好地泛化到开放集样本。受这些观察启发，我们强调开放集对抗防御（OSAD）机制的必要性。本文提出一种具有干净-对抗互学习的开放集防御网络（OSDN-CAML）作为 OSAD 问题的解决方案。所提网络设计了一个带双注意力特征去噪层的编码器并与分类器耦合，以学习无噪声潜特征表示，其借助通道与空间注意力滤波器自适应去除对抗噪声。利用若干技术学习无噪声且信息丰富的潜特征空间，旨在提升对抗防御与开放集识别性能。首先，我们引入解码器以确保干净图像可由所得潜特征良好重建。然后，使用自监督以确保潜特征信息足够丰富以执行辅助任务。最后，为从干净图像分类中挖掘更多互补知识以促进特征去噪并为开放集识别寻找更泛化的局部极小，我们进一步提出干净-对抗互学习，其中进一步引入一个对等网络（分类干净图像）与分类器（分类对抗图像）相互学习。
引用
@article{arxiv.2202.05953,
title = {Open-set Adversarial Defense with Clean-Adversarial Mutual Learning},
author = {Rui Shao and Pramuditha Perera and Pong C. Yuen and Vishal M. Patel},
journal= {arXiv preprint arXiv:2202.05953},
year = {2022}
}
备注
Accepted by International Journal of Computer Vision (IJCV) 2022. Code will be available at https://github.com/rshaojimmy/ECCV2020-OSAD. arXiv admin note: text overlap with arXiv:2009.00814