类别定义对针对取证CNN的对抗攻击可迁移性的影响
计算机视觉与模式识别
2021-01-28 v1 密码学与安全
机器学习
摘要
近年来，卷积神经网络（CNN）已被研究人员广泛用于执行图像篡改检测等取证任务。与此同时，能够欺骗基于CNN的分类器的对抗攻击也被提出。理解对抗攻击的可迁移性（即攻击对不同于其训练所针对的CNN发起攻击的能力）对于设计抗攻击的CNN具有重要意义。虽然针对物体识别CNN的攻击被认为是可迁移的，Barni等人最近的工作表明，针对取证CNN的攻击难以迁移到其他CNN架构或使用不同数据集训练的CNN。在本文中，我们证明了针对取证CNN的对抗攻击的可迁移性甚至比先前认为的更低，即便在几乎相同的CNN架构之间也是如此！我们展示了几种针对用于识别图像操纵的CNN的常见对抗攻击，无法迁移到仅类别定义不同（即使用相同数据训练的相同CNN架构）的CNN。我们注意到所有类别定义形式都包含未篡改类。这对未来设计鲁棒于对抗和反取证攻击的取证CNN具有重要意义。
引用
@article{arxiv.2101.11081,
title = {The Effect of Class Definitions on the Transferability of Adversarial Attacks Against Forensic CNNs},
author = {Xinwei Zhao and Matthew C. Stamm},
journal= {arXiv preprint arXiv:2101.11081},
year = {2021}
}