阿拉伯语手写识别的威胁：探究对嵌入式 ConvNet 模型的黑盒对抗攻击
计算机视觉与模式识别
2026-05-19 v1
摘要
借助深度学习模型，阿拉伯语手写识别（AHR）取得了显著进展。AHR 研究主要集中于性能，而安全性鲜受关注。本研究展示了高性能模型对黑盒对抗攻击的脆弱性，这似乎开辟了一条新的研究途径。对黑盒攻击的关注反映了攻击者对模型架构毫无先验知识的真实场景。我们在两个包含阿拉伯语手写字符的 AHR 基准数据集上进行了大量实验。结果证明了攻击的有效性，其中 Pixle 攻击在大多数模型上实现了 99-100% 的攻击成功率。其他较不激进的攻击在大多数实验中实现了 50-96% 的成功率。尽管攻击成功率较高，但这些攻击保持了字符的结构完整性，使人眼几乎无法察觉。研究结果表明，所考察的模型对对抗操纵具有更高的脆弱性。这凸显了加强努力以保障这些模型安全并确保其在 AHR 真实应用中可靠性的必要性。
引用
@article{arxiv.2605.18058,
title = {Threats to Arabic Handwriting Recognition: Investigating Black-Box Adversarial Attacks on embedded ConvNet models},
author = {Mohsine EL Khayati and Abdelillah Semma and Abdelaziz Courr and Rachid Elouahbi},
journal= {arXiv preprint arXiv:2605.18058},
year = {2026}
}
备注
Accepted in the IEEE 15th Image, Video, and Multidimensional Signal Processing Workshop 2026