对抗攻击
文章平均质量分 95
tangagui
深度学习-模型鲁棒性学习
展开
-
Improving the transferability of adversarial samples with adversarial transformations
Improving the transferability of adversarial samples with adversarial transformations通过对抗变换提高对抗样本的迁移性。概述:引入一个对抗变换网络,对数据增广进行模拟,并得到对对抗样本影响最大的变换,最后优化时消除这种影响,提高对抗样本的鲁棒性,提高对抗样本的可攻击迁移性。abstract:迁移攻击通过在本地模型上生成对抗样本实现对目标模型的攻击,在实际应用中更易实现和操作。然而目前基于迁移攻击的方法因为对本地代理模型原创 2021-08-14 10:57:50 · 1092 阅读 · 1 评论 -
Enhancing the Transferability of Adversarial Attacks through Variance Runing
Enhancing the Transferability of Adversarial Attacks through Variance RuningCVPR2021大类属于使用新的数据增广技术提高对抗样本的攻击迁移性,属于黑盒攻击。Abstract:白盒攻击效果已经很好了,但是黑盒(迁移)攻击效果仍不能达到满意的效果。本文引入一种新的方法——Variance Tuning,来提高基于梯度迭代攻击方法类的攻击效果,并提高其攻击迁移性。具体地,在使用梯度更新参数的时候,并不是使用当前梯度来进行动量累积原创 2021-08-14 10:54:44 · 946 阅读 · 4 评论 -
Adversarial patch camouflage against aerial detection
Adversarial Patch Camouflage against Aerial Detection[Adversarial Patch Camouflage against Aerial Detection](Adversarial Patch Camouflage against Aerial Detection)关键字:Adversarial patch attack aerial target detection camouflage drone surveillance针对大型军事目原创 2021-01-17 20:50:43 · 696 阅读 · 5 评论