该论文发表于CVPR2021，主要是关于黑盒攻击中对抗样本可迁移性的研究。论文的创新点很新颖，虽然论文代码没有开源，但是自己实现起来也相对简单。
论文作者借助对抗训练的思想提出了一种新颖的对抗变换网络以此来生成高迁移性的对抗样本。
作者主要通过让对抗样本抵御防御中的各种数据变换从而增强对抗样本的可迁移性。当前的数据变换的方法可以减弱对抗扰动的攻击性，但是因为这些数据变换的方式都是固定的形式，例如翻转，缩放，颜色变换等，使得数据变换的样式比较固定和单一。
在该论文中作者在模型分类器前加入一个CNN，这个CNN主要功能是抑制对抗样本的攻击，训练干净样本使得生成的对抗样本能够抵御防御中最强数据变换后，依然保留对抗样本的攻击性。
为了能够更清楚的展示论文的中心思想，给论文补充上了方法原理的示意图，如下所示，红色蓝色区域部分是对抗变换网络的训练，黄色区域部分是对抗样本的生成过程。
内容中包含的图片若涉及版权问题，请及时与我们联系删除
评论
沙发等你来抢