基于 CNN 的图像分类中对抗攻击的感知评估

深度神经网络（DNNs）近期取得了最先进的性能，并在许多机器学习任务（如图像分类、语音处理、自然语言处理等）中提供了显著进展。然而，近期研究表明 DNNs 易受对抗攻击。例如，在图像分类领域，向输入图像添加微小不可感知的扰动就足以欺骗 DNN 并导致误分类。被扰动的图像称为对抗样本，应在视觉上尽可能接近原始图像。然而，文献中提出的所有生成对抗样本的工作都使用了 $L_{p}$ 范数（$L_{0}$、$L_{2}$ 和 $L_{\infty}$）作为距离度量来量化原始图像与对抗样本之间的相似性。尽管如此，$L_{p}$ 范数与人类判断不相关，使其不适合可靠地评估对抗样本的感知相似性/保真度。在本文中，我们提出了一个用于对抗样本视觉保真度评估的数据库。我们描述了该数据库的创建，并评估了十五种可替代 $L_{p}$ 范数的最先进全参考（FR）图像保真度评估指标的性能。该数据库及主观评分已公开可用，以帮助设计对抗样本的新指标并促进未来的研究工作。