.png){kind=icon}
返回
Adaptive patch transformation for adversarial defense
.png){kind=icon}
PRE
AI
DOI：10.1016/j.cose.2025.104368.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度学习模型容易受到对抗性攻击。尽管已经提出了各种防御方法，例如在训练过程中引入扰动、在预处理步骤中移除扰动或使用图像到图像映射来对抗这些攻击，但这些方法往往难以稳健地防御多样化的对抗性攻击，并可能影响模型对正常样本的预测。为了解决这一问题，我们提出了一种基于图像变换的对抗样本防御方法。首先，我们设计了一个图像变换组合器，用于整合多种图像变换以防御对抗样本，从而增强该方法鲁棒性。其次，我们将图像分割成图像块，并对每个图像块应用不同的图像变换组合，以确保有用信息的保留并增加变换的灵活性。我们使用图像变换组合器结合了12种几何或颜色变换，并在来自MNIST、CIFAR-10和ImageNet数据集生成的对抗样本上进行了测试。实验结果表明，我们的方法在准确率方面优于其他先进的检测方法，并能有效减轻对抗性扰动对模型的影响。
Keyword:
Adversarial examples
Deep learning
Image classification
Adversarial robustness
Image processing
期刊
C
IF:
5.4
论文数:
4.6K
被引数:
1.4W
机构
暂无机构信息
引用论文
FePN: A robust feature purification network to defend against adversarial examplesFePN: 一个强大的特征净化网络来防御对抗的例子.png)
COMPUTERS & SECURITY
COMPUTERS & SECURITYIF5.4
PREAI
分享收藏
分享收藏Detecting Adversarial Image Examples in Deep Neural Networks with Adaptive Noise Reduction基于自适应降噪的深度神经网络对抗图像样本检测
OAAI
OAAI分享收藏The MNIST Database of Handwritten Digit Images for Machine Learning Research [Best of the Web]用于机器学习研究的手写数字图像MNIST数据库 [Best of The Web]
PREAI
分享收藏Gradient-based learning applied to document recognition基于梯度的学习在文档识别中的应用PROCEEDINGS OF THE IEEE
PROCEEDINGS OF THE IEEEIF25.9
PREAI
分享收藏
查看更多内容