【摘要】：自Szegedy 等人[47]第一次提出面向图像识别系统中存在对抗样本的现象以来，对抗样本的生成原因以及防御方法等引发了众多学者的研究，目前已有很多针对图像分类模型的对抗样本生成方法。Rozsa 等人[51]提出了热/冷攻击方法，该方法可以对单一的输入图像产生多个对抗样本。上述对抗方法针对不同目标模型，面向不同的应用环境，各具特色。本章将选择三种典型的对抗样本生成方法进行介绍。
自Szegedy 等人[47]第一次提出面向图像识别系统中存在对抗样本的现象以来，对抗样本的生成原因以及防御方法等引发了众多学者的研究，目前已有很多针对图像分类模型的对抗样本生成方法。例如，在第3 章中提到的L − BFGS（Large BFGS，BFGS 为主要研究人员名字的首字母组合）攻击、快速梯度下降法（Fast Gradient Sign Method，FGSM）、基于雅可比的显著性特征图攻击（Jacobian − based Saliency Map Attack，JSMA）、DeepFool[48]攻击算法、C&W 攻击算法、单像素攻击（One Pixel Attack，OPA）。除此之外，Chen 等人[49]提出了零阶优化（Zero Order Optimization，ZOO）的攻击方法，该方法通过对称差分算法直接估计梯度，适用于黑盒环境下的攻击。Moosavi-Dezfooli 等人[50]提出了通用扰动（Universal Perturbations，UP）的攻击方法，该方法产生的扰动可以对多个攻击目标产生效果。Rozsa 等人[51]提出了热/冷攻击方法，该方法可以对单一的输入图像产生多个对抗样本。
上述对抗方法针对不同目标模型（黑盒、白盒），面向不同的应用环境（追求高速度、追求低扰动幅度等），各具特色。本章将选择三种典型的对抗样本生成方法进行介绍。(www.xing528.com)
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
