语义对抗可学习滤波器

我们提出一种对抗框架，通过考虑图像内容和标签的语义来构造误导分类器的扰动。所提框架将结构损失和语义对抗损失结合于多任务目标函数中，以训练一个全卷积神经网络。结构损失有助于生成其类型和幅度由目标图像处理滤波器定义的扰动。语义对抗损失考虑（语义）标签组，以构造阻止滤波后图像被分类为同组中某一标签的扰动。我们使用三种不同的目标滤波器（即细节增强、对数变换和伽马校正滤波器）验证框架，并针对在ImageNet上预训练的三种分类器ResNet50、ResNet18和AlexNet评估对抗滤波图像。我们表明所提框架以高成功率、鲁棒性及向未知分类器的可迁移性生成滤波图像。我们还讨论了对抗扰动的主客观评估。