面向边缘端快速对抗防御的超高效超分辨率方法
图像与视频处理
2021-12-30 v1 计算机视觉与模式识别
机器学习
摘要
自主系统极易受到针对深度神经网络（DNN）的多种对抗攻击。免训练、模型无关的防御方法因其速度、易于部署以及可跨多种 DNN 工作的能力，近年来广受欢迎。为此，一种缓解图像分类 DNN 攻击的新技术应运而生，即使用超分辨率对对抗图像进行预处理——将低质量输入上采样为高分辨率图像。该防御需要在受限的自主系统上同时运行图像分类器和超分辨率模型。然而，超分辨率会带来沉重的计算开销。因此，本文研究以下问题：若使用微型超分辨率模型，图像分类器的鲁棒性是否会受损？为回答此问题，我们首先回顾近期一项称为超高效超分辨率（SESR）的工作，其在所需乘加（MAC）运算减少 2 倍至 330 倍的情况下，取得与先前方法相似或更好的图像质量。我们证明，尽管 SESR 比现有模型小数个数量级，其实现的鲁棒性与显著更大的网络相当。最后，我们在一款商用 Arm Ethos-U55 微 NPU 上估算基于超分辨率的防御的端到端性能。我们的结果表明，SESR 在取得相似鲁棒性的同时，帧率（FPS）比基线高出近 3 倍。
引用
@article{arxiv.2112.14340,
title = {Super-Efficient Super Resolution for Fast Adversarial Defense at the Edge},
author = {Kartikeya Bhardwaj and Dibakar Gope and James Ward and Paul Whatmough and Danny Loh},
journal= {arXiv preprint arXiv:2112.14340},
year = {2021}
}
备注
This preprint is for personal use only. The official article will appear in proceedings of Design, Automation & Test in Europe (DATE), 2022, as part of the Special Initiative on Autonomous Systems Design (ASD)