又一种中间层攻击
计算机视觉与模式识别
2020-08-21 v1
摘要
对抗样本在深度神经网络（DNN）模型间的可迁移性是多种黑盒攻击的核心。本文提出一种新方法，以增强基线对抗样本的黑盒可迁移性。通过建立对抗输入集合与其良性对应样本之间中间层差异的线性映射来预测所引发的对抗损失，我们旨在充分利用多步基线攻击的优化过程。我们进行了大量实验，在 CIFAR-100 和 ImageNet 上验证方法的有效性。实验结果表明，该方法大幅优于以往的 state-of-the-art。我们的代码见 https://github.com/qizhangli/ila-plus-plus。
引用
@article{arxiv.2008.08847,
title = {Yet Another Intermediate-Level Attack},
author = {Qizhang Li and Yiwen Guo and Hao Chen},
journal= {arXiv preprint arXiv:2008.08847},
year = {2020}
}
备注
Accepted by ECCV 2020