对抗样本阅读论文

1.Improving Transferability of Adversarial Examples with Input Diversity（CVPR 2019）
代码：https://github.com/cihangxie/DI-2-FGSM
翻译
2.Feature Importance-aware Transferable Adversarial Attacks（ICCV 2021）
翻译
代码：https://github.com/hcguoO0/FIA

3.Enhancing Adversarial Example Transferability with an ILA（ICCV2019）
代码：https://github.com/CUAI/Intermediate-Level-Attack
翻译
现有方法生成的对抗样本容易过拟合源模型的特定结构和特征表示，在进行黑盒攻击时达不到很好的攻击迁移性，造成攻击成功率不高。

针对这个问题本文提出了一种中间层共计（ILA），通过在源模型预先指定的层上增加扰动，对现有得对抗样本进行微调从而获得更好的黑盒攻击迁移性。

关于提高迁移攻击的论文