10.19665/j.issn1001-2400.2021.01.017
TargetedFool:一种实现有目标攻击的算法
随着人工智能技术的发展,深度神经网络广泛应用于人脸识别、语音识别、图片识别以及自动驾驶等领域.由于轻微的扰动就可以使深度神经网络出现错误分类,所以在有限的时间内实现特定的攻击效果是对抗攻击领域研究的重点之一.针对有目标对抗攻击算法中产生扰动时间久和扰动易被人眼观察的问题,基于Deepfool提出了在典型的卷积神经网络上生成有目标的对抗样本的算法,即TargetedFool.大量的实验结果表明,TargetedFool可以对MNIST、CIFAR-10和ImageNet实现有目标的对抗攻击.在ImageNet上,TargetedFool可以在平均2.84 s的时间内达到99.8％的扰动率.此外,分析了基于DeepFool的攻击算法无法产生有目标的通用对抗性扰动的原因.
深度神经网络、深度学习、目标攻击、对抗样本
48
TP301.6(计算技术、计算机技术)
国家自然科学基金;中央高校基本科研业务费专项资金
2021-03-08（万方平台首次上网日期，不代表论文的发表时间）
共11页
149-159
