[论文阅读]Imperceptible Adversarial Examples by Spatial Chroma-Shift

最新推荐文章于 2024-07-25 10:59:02 发布
最新推荐文章于 2024-07-25 10:59:02 发布
阅读量469 收藏 1
点赞数 1
文章标签： 深度学习 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/OdayCollector/article/details/120852357
版权

ACM 2021.8

人类视觉对亮度中的信息损失比色度更敏感;
YUV(color-space)代表:Y代表亮度 UV代表色度

基于空间变换的对抗样本：除了研究基于添加扰动外，还可以通过对图像进行流动来创建对抗样本。这样会使得人类观察的更自然。但它仍然具有由于空间变换引起的可见失真。人类视觉对亮度失真更敏感，基于此作者提出了基于空间变换的扰动方法：只需要修改输入图像的颜色分量就可以创建对抗样本。

在这里插入图片描述
目标方程：

在这里插入图片描述
标签举例越来越远
在这里插入图片描述
限制扰动大小，Lflow 通过计算任意两个相邻像素的空间运动距离之和得到
在这里插入图片描述

以上是stAdv的内容，由此之上 本篇进行了优化，
将图片投入YUV(color-space)中，固定Y在UV中进行扰动，可以得到好的视觉效果；
在这里插入图片描述

OdayCollector
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
matlab去水印源代码-Research-a-robust-and-imperceptible-blind-color-image-wate
05-26
matlab去水印源代码使用Walsh Hadamard变换研究鲁棒且难以察觉的盲彩色图像水印 目录 项目信息 学者：TrầnHảiĐăng 类别：AT12ET-AT120515 讲师：Ths。 TrầnThịXuyên ...Hadamard变换研究鲁棒且难以察觉的盲彩色...
论文阅读——Imperceptible Adversarial Attack via Invertible Neural Networks
yayayamaomaoya的博客
08-18 1798
作者利用可逆神经网络(AdvINN)方法进行对抗性攻击，生成鲁棒且难以察觉的对抗性示例。AdvINN利用INN的信息保留属性，添加目标类的指定信息、删除与原始类别不同的信息来生成对抗样本。
论文阅读 (67)：Sparse and Imperceptible Adversarial Attack via a Homotopy Algorithm
因吉的博客
08-17 847
稀疏对抗攻击仅需一些ℓ0范化的像素便能愚弄深度神经网络 (DNN)。近期有工作将它与ℓ∞扰动幅度的细微扰动结合。由此产生的稀疏细微攻击呈现相关性，并揭示了更多的DNN与其脆弱性的内容。
【论文笔记】Imperceptible Adversarial Attacks on Tabular Data
volcano_66的博客
02-18 812
【论文阅读】Imperceptible Adversarial Attacks on Tabular Data。
论文翻译：Imperceptible, Robust, and Targeted Adversarial Examples for Automatic Speech Recognition
缘来如此
07-16 2266
原文链接：https://arxiv.org/pdf/1903.10346.pdf 含有Demo展示：http://cseweb.ucsd.edu/~yaq007/imperceptible-robust-adv.html 实现GitHub： https://github.com/tensorflow/cleverhans/tree/master/examples/adversarial_as...
【论文阅读】Diffusion Models for Imperceptible and Transferable Adversarial Attack
qq_45822394的博客
05-20 1517
许多现有的对抗攻击在图像RGB空间上产生Lp范数扰动。尽管在可迁移性和攻击成功率方面取得了一些成就，但精心制作的对抗样本很容易被人眼感知。对于视觉的不可感知性，最近的一些研究探索了不受Lp范数约束的无限制攻击，但缺乏攻击黑盒模型的可迁移性。在这项工作中，我们通过利用扩散模型的生成和判别能力，提出了一种新的难以察觉和可迁移的攻击。
对抗样本方向（Adversarial Examples）2018-2020年最新论文调研
热门推荐
huitailangyz的博客
06-15 1万+
调研范围 2018NIPS、2019NIPS、2018ECCV、2019ICCV、2019CVPR、2020CVPR、2019ICML、2019ICLR、2020ICLR 2018NIPS Contamination Attacks and Mitigation in Multi-Party Machine Learning（防御） 作者：Jamie Hayes(Univeristy College London) Olga Ohrimenko(Microsoft Research) 摘要：Machine
Towards Large yet Imperceptible Adversarial Image Perturbations with Perceptual Color Distance 论文笔记
sydukee的博客
12-08 433
00 Abstract 论文指出，好的扰动图像，应该既有很强的对抗能力，又在视觉上不易察觉。传统的扰动通常在RGB空间上通过限制 Lp范数的边界来保持不易察觉。 而本文放弃了传统的限制方法，改用最小化感知色彩距离的方法来限制扰动，提出了两种方法：PerC-C&W、PerC-AL（Perceptual Color distance Alternating Loss）。其中，第二种方法——Perc-AL在优化 classification loss 和 perceptual color differen
2021-10-28 | 读Sparse and Imperceptible Adversarial Attack via a Homotopy Algorithm
zxxwill的博客
10-29 415
动机 Sparse adversarial attacks can fool deep neural networks (DNNs) by only perturbing a few pixels (regularized by‘0norm). Recent efforts combine it with another‘∞imperceptible on the pertur- bation magnitudes. The resultant sparse and im- perceptible at
【论文阅读】CVPR2022 ||Towards Efficient Data Free Black-box Adversarial Attack
qq_45822394的博客
04-19 488
经典的黑盒对抗攻击可以利用类似替代模型生成的可转移对抗样本来成功欺骗目标模型。然而，这些替代模型需要通过目标模型的训练数据进行训练，由于隐私或传输原因，很难获得。认识到对抗性查询的真实数据的可用性有限，最近的工作提出在无数据黑盒场景中训练替代模型。然而，他们基于生成对抗网络（GAN）的框架存在收敛失败和模型崩溃的问题，导致效率低下。在本文中，通过重新思考生成器和替代模型之间的协作关系，我们设计了一种新颖的黑盒攻击框架。所提出的方法可以通过少量的查询有效地模仿目标模型，并获得较高的攻击成功率。
CSA:CVPR2020论文“冷却收缩攻击”的正式实施
05-03
:) @inproceedings{CSA-CVPR2020,author = {Bin Yan and Dong Wang and Huchuan Lu and Xiaoyun Yang},title = {{Cooling-Shrinking Attack: Blinding} the Tracker with Imperceptible Noises},booktitle = {CVPR}...
颜色分类leetcode-Big-but-Invisible-Adversarial-Attack:这个repo包含CVPR提交的代码“Big
07-06
Imperceptible Adversarial Perturbations via Semantic Manipulation”。 tldr：我们引入了不受限制的扰动，操纵语义上有意义的基于图像的视觉描述符 - 颜色和纹理 - 以生成有效和逼真的对抗样本。 摘要：机器学习...
信噪比matlab代码详解-Multi-Level-Imperceptible-Encryption-Algorithm:多层次不可感知的加密
05-26
信噪比matlab代码详解多层次隐身加密算法 一个基于MATLAB的项目，其中包括对现有加密算法的比较研究，即 最低有效位编码。 奇偶校验编码。 相位编码。 扩频编码 回声编码。...并开发了一种多层次的不可感知的加密算法，...
英语同步练习题考试题试卷教案高考英语阅读猜词教案.doc
11-24
例如，“The powerful poison was imperceptible when mixed in liquid, that is, it could not be tasted, seen, or smelled.”这里的“imperceptible”通过“that is”后的解释得以理解。 2. **借助同义词或反义...
【深度学习】大模型GLM-4-9B Chat ，微调与部署(3) TensorRT-LLM、TensorRT量化加速、Triton部署
最新发布
q742971636的博客
07-25 961
TensorRT-LLM官方目前说在v0.12.0版本才会支持GLM-4-9B Chat ，下面以v0.10.0的魔改来做GLM-4-9B Chat的量化部署。本文目标就是加速GLM-4-9B Chat，看看能多快。A100卡。
昇思25天学习打卡营第21天|RNN实现情感分类
人工智能视觉分析算法学习实践和经验分享。
07-21 663
Mindspore框架循环神经网络RNN模型实现情感分类|（一）数据集准备Mindspore框架循环神经网络RNN模型实现情感分类|（二）RNN模型Mindspore框架循环神经网络RNN模型实现情感分类|（三）模型训练与推理tips:安装依赖库。
基于深度学习的放射学图像分析
weixin_42605076的博客
07-22 725
基于深度学习的放射学图像分析是利用深度学习模型来自动分析和解读医学影像（如X光片、CT、MRI等），辅助医生进行疾病诊断、治疗计划制定和预后评估。
从零开始：构建基于深度学习的实时跌倒检测系统（UI界面+YOLO代码+数据集）
a871923942的博客
07-22 739
系统主要由前端UI、后端服务器和YOLO模型组成。用户通过UI上传视频，服务器调用YOLO模型进行检测，并将结果返回给用户。| 前端UI | <----> | 后端API | <----> | YOLO检测模型 |YOLO（You Only Look Once）是一种高效的实时目标检测模型。YOLOv5、YOLOv6、YOLOv7、YOLOv8均为其不同版本，提供不同的性能和速度。
Light Field Messaging with Deep Photographic Steganography
03-28
The use of deep photographic steganography allows for the creation of highly secure messages that are difficult to detect or decode by unauthorized parties. The technique involves embedding the ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值