计算机工程

作者：李哲铭, 王晋东, 侯建中, 李伟, 张世华, 张恒巍

单位：1. 信息工程大学 密码工程学院, 郑州 4500012. 中国人民解放军陆军参谋部, 北京 100000

关键词：卷积神经网络,对抗样本,黑盒攻击,局部优化,迁移性

基金：国家重点研发计划(2017YFB0801900)

在计算机视觉任务中，以卷积神经网络为基础的图像分类模型得到广泛应用，但因其自身的脆弱性容易受到对抗样本的攻击。目前的攻击方法大多会对整张图像进行攻击，产生的全局扰动影响了对抗样本的视觉质量。针对这一问题，提出一种基于显著区域优化的对抗样本攻击方法，利用显著目标检测技术为每张原始图像生成显著图，并将其二值化为显著掩模，将该掩模与对抗扰动相结合，使显著区域内的对抗扰动保留下来，实现对抗扰动的局部添加。通过引入Nadam优化算法, 稳定损失函数更新方向并动态调整学习率，提高损失函数收敛速度，从而在保持较高黑盒攻击成功率的同时，有效降低对抗扰动的可察觉性。在ImageNet数据集上分别进行单模型和集成模型环境下的对抗攻击实验，并对各方法生成的对抗样本图像质量进行对比分析，结果表明，与基准方法相比，该方法在集成模型攻击中的隐蔽性指标实现了27.2%的性能提升，黑盒攻击成功率最高达到了92.7%的水平。

来源：2023年第9期

《计算机工程》期刊编辑部

查看计算机工程杂志2023年第9期