申请/专利权人：天津大学

申请日：2019-12-06

公开（公告）日：2020-05-15

公开（公告）号：CN111160400A

主分类号：G06K9/62(20060101)

分类号：G06K9/62(20060101);G06T5/00(20060101)

优先权：

专利状态码：在审-实质审查的生效

法律状态：2020.06.09#实质审查的生效;2020.05.15#公开

摘要：本发明公开了一种基于修正边界攻击的对抗攻击方法，步骤1，收集图像及标签信息，形成图像，类别对，构建图像数据集；步骤2，取原始图像xi，进而得到由对抗样本所构成的集合x*；步骤3，构造噪声集合z*，以及构造并初始化扰动空间参数集合W；步骤4，通过计算扰动空间参数W的均值，构造扰动空间，在扰动空间中对扰动进行随机取样，生成噪声的切向方向的向量集合η；步骤5，修正边界攻击，构造新的对抗样本x′；步骤6，将新的对抗样本x′输入到目标模型，对扰动空间参数W进行调整；步骤7，重复步骤4、步骤5、步骤6共B‑1次，得到最终对抗样本x′，并将对抗样本输入到目标模型中进行分类，得出分类结果Fx′。本发明达到了构建攻击能力更强的对抗样本的目的。

主权项：1.一种基于修正边界攻击的对抗攻击方法，其特征在于，该方法包括以下步骤：步骤1，收集图像及标签信息，形成图像，类别对，构建图像数据集；步骤2，取原始图像xi，对xi添加随机高斯噪声得到xi*，使得目标分类器输出分类结果Fxi*≠yi，进而得到由对抗样本所构成的集合x*；步骤3，构造噪声集合z*，表达式如下： ；构造并初始化扰动空间参数集合W，表达式如下： ；步骤4，通过计算扰动空间参数W的均值，构造扰动空间，在扰动空间中对扰动进行随机取样，得到的噪声的切向方向向量集合η，表达式如下： ；步骤5，依据以下公式修正边界攻击： 其中，表示z*中绝对值最大的像素点，r表示新的采样包含的像素点数量相对于当前噪声的像素点数量的比例，即像素保留率；修正边界攻击操作是依据r的比例挑选出当前噪声中绝对值最大的像素点，并构成一个掩模T，过滤出不敏感的图像区域；T在有效压缩采样空间的同时构建了一个对图像噪声区域的筛选机制； 由此，构造出新的对抗样本x′： 其中，δ为加入噪声的切向步长，ε为加入噪声的径向步长，都为本算法的超参数；步骤6，首先将新的对抗样本x′输入到目标模型，记为F·,然后使用适应性调整噪声步长的对抗样本构建方法对目标模型进行攻击，根据目标模型返回结果对x*和对扰动空间参数W进行调整：如果Fx′≠y，即目标模型对于对抗样本x′的输出结果与其真实类别标签不一致，表示采样成功，也就意味着攻击成功，此时对噪声进行进一步压缩，用x′替换x*并将扰动空间参数集合W置为空集x*＝x′,如果Fx′＝y，表示采样失败，此时将失败采样进行记录并反馈给x*，即将η更新至扰动空间参数集合W：W＝W∪η；步骤7，重复步骤4、步骤5、步骤6共B-1次，B为对于每张图像的最大查询次数，得到最终对抗样本x′，并将对抗样本输入到目标模型中进行分类，得出分类结果Fx′；攻击效果通过对抗样本噪声压缩幅度θ来衡量： 其中，X表示测试图像的集合，x′表示使用决策攻击生成的对抗样本，x*表示初始对抗样本，|X|表示X中元素总数，θ∈0,1用于衡量决策攻击的噪声压缩能力。

全文数据：

权利要求：

百度查询： 天津大学 一种基于修正边界攻击的对抗攻击方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD