WaveTransform：通过输入分解构造对抗样本
计算机视觉与模式识别
2020-10-30 v1 人工智能
密码学与安全
摘要
频谱在为目标识别学习独特且具判别力的特征方面发挥了重要作用。图像中存在的低频与高频信息已被包括深度学习在内的众多表示学习技术提取并学习。受此观察启发，我们引入一类新颖的对抗攻击，即 `WaveTransform'，其分别（或组合）创建对应于低频与高频子带的对抗噪声。使用小波分解分析频率子带；子带被扰动后用于构造对抗样本。我们使用多个数据库与 CNN 模型进行实验，以确立所提 WaveTransform 攻击的有效性并分析特定频率分量的重要性。所提攻击的鲁棒性也通过其可迁移性以及对一种近期对抗防御算法的抗性得到评估。实验表明，所提攻击对该防御算法有效，并且可在 CNN 之间迁移。
引用
@article{arxiv.2010.15773,
title = {WaveTransform: Crafting Adversarial Examples via Input Decomposition},
author = {Divyam Anshumaan and Akshay Agarwal and Mayank Vatsa and Richa Singh},
journal= {arXiv preprint arXiv:2010.15773},
year = {2020}
}
备注
ECCV Workshop Adversarial Robustness in the Real World 2020, 17 pages, 3 Tables, 6 Figures