CN113935913A - 一种具有视觉感知隐蔽性的黑盒图像对抗样本生成方法 - Google Patents
一种具有视觉感知隐蔽性的黑盒图像对抗样本生成方法 Download PDFInfo
- Publication number
- CN113935913A CN113935913A CN202111170040.7A CN202111170040A CN113935913A CN 113935913 A CN113935913 A CN 113935913A CN 202111170040 A CN202111170040 A CN 202111170040A CN 113935913 A CN113935913 A CN 113935913A
- Authority
- CN
- China
- Prior art keywords
- sample
- matrix
- confrontation
- noise
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000016776 visual perception Effects 0.000 title claims abstract description 33
- 230000000694 effects Effects 0.000 claims abstract description 21
- 230000003042 antagnostic effect Effects 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 82
- 230000002068 genetic effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000000873 masking effect Effects 0.000 abstract description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 8
- 230000000007 visual effect Effects 0.000 description 5
- 108090000623 proteins and genes Proteins 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013535 sea water Substances 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 206010064571 Gene mutation Diseases 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种具有视觉感知隐蔽性的黑盒图像对抗样本生成方法,涉及人工智能安全技术领域。主要技术方案包括:1初始化算法参数以及对抗样本集合;2根据对抗攻击效果挑选优势对抗样本子集;3判断最优对抗样本是否攻击成功,如果攻击成功,则转到步骤6;4否则利用对抗样本子集交叉产生新的对抗样本集合;5按照一定概率添加隐蔽性噪声;6输出对抗样本并进行测试。本发明利用视觉感知的掩蔽效应,使产生的对抗样本与原始图像的视觉感知相似度高,具有良好的隐蔽性,能够在不被察觉的情况下发动黑盒对抗攻击。
Description
技术领域
本发明涉及人工智能安全技术领域,具体涉及一种具有视觉感知 隐蔽性的黑盒图像对抗样本生成方法。
背景技术
随着大数据的出现与大规模计算能力的提升,人工智能在社会的 方方面面得到了广泛的应用,尤其是图像识别领域,人工智能在图像 分类、目标检测、图像分割等方面取得了许多优异的成果。然而随着 对人工智能的深入研究与广泛应用,其安全问题也逐渐暴露出来。 Christian Szegedy在2014年提出了对抗样本的概念,即在输入数据中 故意添加细微的干扰,导致模型对输入以高置信度给出错误的输出。 多数卷积神经网络对于对抗样本都有脆弱性,因此对抗样本逐渐成为 了人工智能安全领域的研究热点。
广州大学在其申请的专利“一种图像对抗样本生成方法”(申请 专利号:202011317776.8,公开号:CN112529047A)中提出了一种基 于梯度屏蔽的对抗样本生成方法。该方法包括:S1,将原始输入图像 X表示成a×b的矩阵D,记为D=Da×b;S2,采用目标检测算法在矩阵 D中进行核心区域定位,得到核心区域DS;S3,运行基于梯度的攻 击方法得到梯度矩阵MG;S4,基于核心区域DS和梯度矩阵MG构造 梯度屏蔽矩阵H;S5,将梯度矩阵MG与梯度屏蔽矩阵H对应相乘得 到更新梯度矩阵M′G;S6,依据公式完成对抗样本的构造:S7,重复执行步骤S3-S6进行K轮迭代,最终得到基于区域的梯度屏蔽方法的 对抗样本。该发明提出的方法既实现了高效的对抗样本生成,拥有与 梯度攻击相似的成功率,又减少了对抗样本相对于原始样本的扰动, 提高了对抗样本的抗感知能力和抗检测能力。但是,该方法仍然存在 的不足之处是:属于白盒对抗样本生成方法,对梯度的计算需要获取 目标模型的参数信息或神经网络结构。
北京理工大学在其申请的专利″一种针对图像识别模型分类边界 敏感的对抗样本生成方法″(申请专利号:201910256169.6,公开号: CN109961145A)中提出了一种针对图像识别模型分类边界敏感的对 抗样本生成方法。该方法包括如下步骤:步骤一、初始参数设定;步 骤二、生成初始基因种群;步骤三、基因交叉;步骤四、基因变异; 步骤五、基因选择;步骤六、基因进化迭代;步骤七、减少对抗样本 与原始样本不同像素点的个数;步骤八、减少对抗样本与原始样本不 同RGB channels的个数;步骤九、缩小对抗样本与原始图片的像素 值差异。该发明提出的方法不依赖于模型返回的置信度,只需要一个 最终的分类标签即可;针对于大型图片生成对抗样本具有很好的效果; 在参数调节恰当的情况下,比一般的基于决策边界的攻击方法所需要 的查询次数更少。但是,该方法仍然存在的不足之处是:扰动像素点 个数并不能代表视觉感知上的隐蔽效果,因此生成的对抗样本与原始 图像视觉感知相似度低,隐蔽性差。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是:如何设计一种具有视觉感知隐蔽性 的黑盒图像对抗样本生成方法,使得黑盒图像对抗样本在视觉感知上 具有良好的隐蔽性。
(二)技术方案
为了解决上述技术问题,本发明提供了一种具有视觉感知隐蔽性 的黑盒图像对抗样本生成方法,包括以下步骤:
(1)初始化遗传算法参数以及对抗样本集合:
(2)基于步骤1,根据对抗攻击效果从对抗样本集合中挑选优势 对抗样本子集:
(3)基于步骤2,判断最优对抗样本是否攻击成功,若成功,则 转到步骤(6),否则转到步骤(4):
(4)利用所述优势对抗样本子集交叉产生新的对抗样本集合:
(5)基于步骤1、步骤4,按照一定概率添加隐蔽性对抗噪声, 并返回步骤(2):
(6)输出对抗样本并进行测试。
优选地,步骤1包括:
(1b)计算原始图像方差矩阵;
(1c)利用得到的原始图像方差矩阵与信噪比s计算噪声标准差 矩阵;
(1d)将原始图像复制n次,作为对抗样本集合。
优选地,步骤2包括:
(2a)将对抗样本集合输入图像识别模型,根据输出结果衡量对 抗攻击效果;
(2b)选取对抗攻击效果最好的m个对抗样本作为所述优势对抗 样本子集。
优选地,步骤3包括:
(3a)选取所述优势对抗样本子集中对抗攻击效果最好的对抗样 本;
优选地,步骤4包括:
(4a)在所述优势对抗样本子集中随机选取两个对抗样本,分别 作为父样本和母样本;
(4b)将所述父样本与母样本交叉,产生子对抗样本;
(4c)重复步骤(4a)、步骤(4b)n次,得到n个子对抗样本作 为新的对抗样本集合。
优选地,步骤5包括:
(5a)利用(1c)中得到的噪声标准差矩阵,产生隐蔽性对抗噪 声;
(5b)在所述新的对抗样本集合中的每个子对抗样本上,按照所 述变异率p添加隐蔽性对抗噪声,得到变异后的对抗样本集合,并返 回步骤(2)。
优选地,步骤(1b)中的原始图像方差矩阵通过公式 D(X)=E(X2)-E2(X)计算得到,其中,X为原始图像,X2为原始图 像X的每个像素值平方之后得到的图像,D(X)表示原始图像X的方 差矩阵,E(X)和E(X2)分别为图像X和X2的期望矩阵,采用高斯卷 积的方式计算,高斯卷积的具体实现方式为生成一个尺寸为N×N, 标准差为δ的高斯核作为卷积核,分别对图像X和X2进行卷积后得 到期望矩阵E(X)和E(X2)。
优选地,步骤(1c)中利用得到的原始图像方差矩阵与信噪比s 计算噪声标准差矩阵,分别将原始图像方差矩阵和噪声标准差矩阵近 似作为图像的信号功率和图像的噪声信号幅值,按照公式计算噪声标准差矩阵,其中,ε为噪声标准差矩阵,代表图像的噪声 信号幅值,图像方差矩阵D(X)代表图像的信号功率,s为给定的信噪 比。
优选地,步骤(4b)中随机选取父样本中的一部分像素给子对抗 样本,父样本中未被选取的像素由母样本提供给子对抗样本,子对抗 样本由父样本与母样本交叉产生。
优选地,步骤(5a)生成与对抗样本相同尺寸的随机矩阵,矩阵 的每个元素服从标准正态分布,将该随机矩阵与噪声的标准差矩阵做 矩阵点乘运算,得到隐蔽性对抗噪声矩阵。
优选地,步骤(5b)在新的对抗样本集合中,对每一个子对抗样 本中的每一个元素,按照变异率p与隐蔽性对抗噪声矩阵中对应位置 的元素相加,合成为新的对抗样本,得到变异后的对抗样本集合。
(三)有益效果
第一,本发明属于黑盒对抗样本生成方法,不同于白盒对抗样本 生成算法需要获取模型具体的参数信息或神经网络结构,本发明提出 的方法只需要能够对图像识别模型进行输入并得到相应输出即可。
第二,本发明产生的隐蔽性对抗噪声符合视觉感知的掩蔽效应。 利用视觉感知的掩蔽效应,以高斯卷积的方式得到隐蔽性对抗噪声。 在原始图像上添加隐蔽性对抗噪声后得到具有视觉感知隐蔽性的黑 盒图像对抗样本,使得黑盒图像对抗样本在视觉感知上具有良好的隐 蔽性。
附图说明
图1为本发明的方法流程图;
图2(a)为原始图像;
图2(b)为对原始图像的识别结果;
图2(c)为原始噪声;
图2(d)为改进后的隐蔽性对抗噪声;
图2(e)为普通黑盒对抗样本的识别结果;
图2(f)为具有视觉感知隐蔽性的对抗样本的识别结果。
具体实施方式
为使本发明的目的、内容、和优点更加清楚,下面结合附图和实 施例,对本发明的具体实施方式作进一步详细描述。
本发明对图像识别系统进行研究,提供了一种具有视觉感知隐蔽 性的黑盒图像对抗样本生成方法,与其他黑盒图像对抗样本生成方法 相比,本发明可在视觉感知中难以区分对抗样本与原始图像的情况下, 发动对图像识别模型的黑盒对抗攻击。
下面将结合附图1及具体实施例来进一步介绍本发明的方法:
步骤1,初始化遗传算法参数以及对抗样本集合。
计算原始图像方差矩阵,原始图像方差矩阵通过公式 D(X)=E(X2)-E2(X)计算得到,其中,X为原始图像,X2为原始图 像X的每个像素值平方之后得到的图像,D(X)表示原始图像X的方 差矩阵,E(X)和E(X2)分别为图像X和X2的期望矩阵,用高斯卷积 的方式计算,高斯卷积的具体实现方式为生成一个尺寸为11×11,标 准差为1.5的高斯核作为卷积核,对图像X和X2做零填充处理后,分 别对X和X2进行卷积得到期望矩阵E(X)和E(X2)。
利用得到的原始图像方差矩阵与信噪比s计算噪声标准差矩阵, 分别将原始图像方差矩阵和噪声标准差矩阵近似作为图像的信号功 率和图像的噪声信号幅值,按照公式计算噪声标准差矩阵, 其中,ε为噪声标准差矩阵,代表图像的噪声信号幅值,图像方差矩 阵D(X)代表图像的信号功率,s=15为给定的信噪比。
将原始图像复制100次,加入到种群中,作为初始的对抗样本集 合。
步骤2,根据对抗攻击效果挑选优势对抗样本作为对抗样本子集。
图像识别模型采用Faster R-CNN目标探测网络,将训练好的模 型权重代入目标模型,将对抗样本集合中所有对抗样本输入到模型中, 得到对应的输出。取每个对抗样本对应输出的最高得分,将其作为每 个对抗样本的损失值,用于衡量对抗样本的对抗攻击效果。
将对抗样本集合中的所有对抗样本按照损失值排序,取出损失值 最小,即对抗攻击效果最好的10个对抗样本的损失值及其在对抗样本 集合中的索引,其中索引用于后续操作在对抗样本集合中取出对应的 对抗样本。将这10个对抗攻击效果最好的对抗样本作为精英个体,即 优势对抗样本子集。
步骤3,判断最优对抗样本是否攻击成功。
取出优势对抗样本子集中对抗攻击效果最好,即损失值最小的对 抗样本。若该对抗样本的损失值低于迭代终止阈值0.6,则攻击成功, 停止迭代,转到步骤6,否则转到步骤4。
步骤4,利用优势对抗样本子集交叉产生新的对抗样本集合:
在优势对抗样本子集中随机选取两个对抗样本的索引,在对抗样 本集合中取出这两个索引对应的对抗样本,将这两个对抗样本分别作 为父样本和母样本。
将父样本与母样本交叉,产生子对抗样本。生成一个与对抗样本 相同尺寸的随机矩阵,随机矩阵的每个元素为在闭区间[0,1]上服从均 匀分布的随机浮点数,并将小于0.5的随机浮点数置0,大于等于0.5 的随机浮点数置1,即得到一个随机布尔矩阵。将该随机矩阵与父样 本做矩阵点乘运算,即决定的父样本的哪些像素被选中提供给子对抗 样本。将随机布尔矩阵的各元素取反后,与母样本做矩阵点乘运算, 即父样本中没有被选中的像素由母样本提供给子对抗样本。父样本与 母样本做矩阵加法运算,各位置对应元素相加,即父样本与母样本通 过交叉产生子对抗样本。子对抗样本具有特点:子对抗样本的每个像素,必定为来自父样本或母样本的同一位置的像素。
将步骤4重复n次,共得到n个子对抗样本,构成新的对抗样本 集合。
步骤5,按照一定概率添加隐蔽性噪声。
利用噪声标准差矩阵,产生隐蔽性对抗噪声。生成一个与对抗样 本相同尺寸的随机矩阵,随机矩阵的每个元素为服从标准正态分布的 随机浮点数。将该随机矩阵与步骤2得到的噪声标准差矩阵做矩阵点 乘运算,得到隐蔽性对抗噪声矩阵。
按照变异率p添加隐蔽性噪声。对新的对抗样本集合中的每个子 对抗样本,生成与子对抗样本相同尺寸的随机矩阵,随机矩阵的每个 元素为闭区间[0,1]上服从均匀分布的随机浮点数。若随机浮点数的值 小于变异率0.5,则将该随机浮点数置0,若随机浮点数的值大于等于 变异率0.5,则将该随机浮点数置1。随机矩阵的作用是随机确定在对 抗样本的哪些像素上添加噪声扰动。将该随机矩阵与隐蔽性对抗噪声 矩阵做矩阵点乘运算后,将其每一个元素与子对抗样本中对应位置的 元素相加,即添加噪声扰动,合成具有视觉感知隐蔽性的新的对抗样 本,得到变异后的对抗样本集合。
返回步骤2。
步骤6,输出对抗样本并进行测试。
输出对抗样本,将对抗样本输入到图像识别模型。
观察对抗样本与原始图像的视觉相似度,并记录对抗样本是否攻 击成功。
经实验验证,本发明所产生的对抗样本与原始图像的视觉相似度 高,具备良好的视觉感知隐蔽性,能够在不被察觉的情况下对图像识 别模型发动黑盒对抗攻击。
下面结合仿真实验对本发明的效果做进一步的描述。
1.仿真实验条件:
本发明的仿真实验的软件平台为:Windows10操作系统和Spyder 集成开发环境。
本发明的仿真实验的硬件平台为:Intel Core(TM)i7- 9700K@3.60GHz×8,GPUNvidia GeForce GTX 1080Ti,11GB显存。
本发明的仿真实验所使用的Python版本为Python 3.7.3,所使用 的库及对应版本分别pytorch 1.1.0,torchvision 0.3.0,opencv-python 4.4.0,numpy 1.21.0。
2.仿真内容和结果:
本发明的仿真实验是,对原始图像利用视觉感知的掩蔽效应生成 隐蔽性对抗噪声,并按一定概率添加到对抗样本上,构成具有视觉感 知隐蔽性的对抗样本。分别使用普通黑盒对抗样本与具有视觉感知隐 蔽性的对抗样本攻击目标探测网络,记录攻击是否成功。观察普通对 抗样本、具有视觉感知隐蔽性的对抗样本与原始图像的视觉相似度。
本发明的仿真实验结果如图2所示。图2(a)为原始图像,将原始 图像输入目标探测网络后可得到图2(b),模型成功探测到目标舰船的 位置。图2(c)为普通黑盒噪声,将该噪声添加到原始图像上得到普通 黑盒对抗样本,将其输入到目标探测网络得到图2(e),对抗样本成功 攻击模型,使得模型无法探测目标舰船的位置。普通黑盒对抗样本存 在噪声明显、隐蔽性差的缺点,图2(e)中海水区域的噪声在视觉感知 中明显可被察觉。图2(d)为本发明中生成的隐蔽性对抗噪声,将其添 加到原始图像上,构成具有视觉感知隐蔽性的对抗样本。将具有视觉 感知隐蔽性的对抗样本输入目标探测网络得到图2(f),具有视觉感知隐蔽性的对抗样本能够成功攻击模型,使其无法探测到目标舰船的位 置,且海水区域的噪声在视觉感知中难以察觉。
可以看出,本发明利用视觉感知的掩蔽效应,使产生的具有视觉 感知隐蔽性的黑盒图像对抗样本与原始图像的视觉相似度高,具有良 好的视觉感知隐蔽性,能够在不被察觉的情况下对模型发动黑盒对抗 攻击。本发明可用于对基于深度学习的图像识别模型发动黑盒对抗攻 击,且具有较好的视觉隐蔽效果。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领 域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以 做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (11)
1.一种具有视觉感知隐蔽性的黑盒图像对抗样本生成方法,其特征在于,包括以下步骤:
(1)初始化遗传算法参数以及对抗样本集合:
(2)基于步骤1,根据对抗攻击效果从对抗样本集合中挑选优势对抗样本子集:
(3)基于步骤2,判断最优对抗样本是否攻击成功,若成功,则转到步骤(6),否则转到步骤(4):
(4)利用所述优势对抗样本子集交叉产生新的对抗样本集合:
(5)基于步骤1、步骤4,按照一定概率添加隐蔽性对抗噪声,并返回步骤(2):
(6)输出对抗样本并进行测试。
3.如权利要求2所述的方法,其特征在于,步骤2包括:
(2a)将对抗样本集合输入图像识别模型,根据输出结果衡量对抗攻击效果;
(2b)选取对抗攻击效果最好的m个对抗样本作为所述优势对抗样本子集。
5.如权利要求4所述的方法,其特征在于,步骤4包括:
(4a)在所述优势对抗样本子集中随机选取两个对抗样本,分别作为父样本和母样本;
(4b)将所述父样本与母样本交叉,产生子对抗样本;
(4c)重复步骤(4a)、步骤(4b)n次,得到n个子对抗样本作为新的对抗样本集合。
6.如权利要求5所述的方法,其特征在于,步骤5包括:
(5a)利用(1c)中得到的噪声标准差矩阵,产生隐蔽性对抗噪声;
(5b)在所述新的对抗样本集合中的每个子对抗样本上,按照所述变异率p添加隐蔽性对抗噪声,得到变异后的对抗样本集合,并返回步骤(2)。
7.如权利要求6所述的方法,其特征在于,步骤(1b)中的原始图像方差矩阵通过公式D(X)=E(X2)-E2(X)计算得到,其中,X为原始图像,X2为原始图像X的每个像素值平方之后得到的图像,D(X)表示原始图像X的方差矩阵,E(X)和E(X2)分别为图像X和X2的期望矩阵,采用高斯卷积的方式计算,高斯卷积的具体实现方式为生成一个尺寸为N×N,标准差为δ的高斯核作为卷积核,分别对图像X和X2进行卷积后得到期望矩阵E(X)和E(X2)。
9.如权利要求8所述的方法,其特征在于,步骤(4b)中随机选取父样本中的一部分像素给子对抗样本,父样本中未被选取的像素由母样本提供给子对抗样本,子对抗样本由父样本与母样本交叉产生。
10.如权利要求9所述的方法,其特征在于,步骤(5a)生成与对抗样本相同尺寸的随机矩阵,矩阵的每个元素服从标准正态分布,将该随机矩阵与噪声的标准差矩阵做矩阵点乘运算,得到隐蔽性对抗噪声矩阵。
11.如权利要求10所述的方法,其特征在于,步骤(5b)在新的对抗样本集合中,对每一个子对抗样本中的每一个元素,按照变异率p与隐蔽性对抗噪声矩阵中对应位置的元素相加,合成为新的对抗样本,得到变异后的对抗样本集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111170040.7A CN113935913A (zh) | 2021-10-08 | 2021-10-08 | 一种具有视觉感知隐蔽性的黑盒图像对抗样本生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111170040.7A CN113935913A (zh) | 2021-10-08 | 2021-10-08 | 一种具有视觉感知隐蔽性的黑盒图像对抗样本生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113935913A true CN113935913A (zh) | 2022-01-14 |
Family
ID=79278132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111170040.7A Pending CN113935913A (zh) | 2021-10-08 | 2021-10-08 | 一种具有视觉感知隐蔽性的黑盒图像对抗样本生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113935913A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114722407A (zh) * | 2022-03-03 | 2022-07-08 | 中国人民解放军战略支援部队信息工程大学 | 基于内生式对抗样本的图像保护方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102332162A (zh) * | 2011-09-19 | 2012-01-25 | 西安百利信息科技有限公司 | 基于人工神经网络的医学图像兴趣区自动识别和分级压缩方法 |
CN106842240A (zh) * | 2017-03-17 | 2017-06-13 | 太原理工大学 | 基于最小误差熵和ε等级差分进化的多径估计器 |
CN109766991A (zh) * | 2019-01-14 | 2019-05-17 | 电子科技大学 | 一种采用对抗性训练的人工智能优化系统及方法 |
CN110163093A (zh) * | 2019-04-15 | 2019-08-23 | 浙江工业大学 | 一种基于遗传算法的路牌识别对抗防御方法 |
CN110992934A (zh) * | 2019-10-28 | 2020-04-10 | 浙江工业大学 | 面向语音识别系统黑盒攻击模型的防御方法及防御装置 |
CN111046176A (zh) * | 2019-11-25 | 2020-04-21 | 百度在线网络技术(北京)有限公司 | 对抗样本生成方法、装置、电子设备及存储介质 |
CN111627429A (zh) * | 2020-05-20 | 2020-09-04 | 浙江工业大学 | 一种基于CycleGAN的语音识别模型的防御方法及装置 |
CN111723865A (zh) * | 2020-06-19 | 2020-09-29 | 北京瑞莱智慧科技有限公司 | 评估图像识别模型、攻击方法性能的方法、装置和介质 |
CN111882509A (zh) * | 2020-06-04 | 2020-11-03 | 江苏大学 | 一种基于生成对抗网络的医学图像数据生成与检测方法 |
CN113221388A (zh) * | 2021-06-17 | 2021-08-06 | 北京理工大学 | 一种视觉感知扰动约束的黑盒深度模型对抗样本生成方法 |
CN113362822A (zh) * | 2021-06-08 | 2021-09-07 | 北京计算机技术及应用研究所 | 一种具有听觉隐蔽性的黑盒语音对抗样本生成方法 |
CN113449783A (zh) * | 2021-06-17 | 2021-09-28 | 广州大学 | 一种对抗样本生成方法、系统、计算机设备和存储介质 |
-
2021
- 2021-10-08 CN CN202111170040.7A patent/CN113935913A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102332162A (zh) * | 2011-09-19 | 2012-01-25 | 西安百利信息科技有限公司 | 基于人工神经网络的医学图像兴趣区自动识别和分级压缩方法 |
CN106842240A (zh) * | 2017-03-17 | 2017-06-13 | 太原理工大学 | 基于最小误差熵和ε等级差分进化的多径估计器 |
CN109766991A (zh) * | 2019-01-14 | 2019-05-17 | 电子科技大学 | 一种采用对抗性训练的人工智能优化系统及方法 |
CN110163093A (zh) * | 2019-04-15 | 2019-08-23 | 浙江工业大学 | 一种基于遗传算法的路牌识别对抗防御方法 |
CN110992934A (zh) * | 2019-10-28 | 2020-04-10 | 浙江工业大学 | 面向语音识别系统黑盒攻击模型的防御方法及防御装置 |
CN111046176A (zh) * | 2019-11-25 | 2020-04-21 | 百度在线网络技术(北京)有限公司 | 对抗样本生成方法、装置、电子设备及存储介质 |
CN111627429A (zh) * | 2020-05-20 | 2020-09-04 | 浙江工业大学 | 一种基于CycleGAN的语音识别模型的防御方法及装置 |
CN111882509A (zh) * | 2020-06-04 | 2020-11-03 | 江苏大学 | 一种基于生成对抗网络的医学图像数据生成与检测方法 |
CN111723865A (zh) * | 2020-06-19 | 2020-09-29 | 北京瑞莱智慧科技有限公司 | 评估图像识别模型、攻击方法性能的方法、装置和介质 |
CN113362822A (zh) * | 2021-06-08 | 2021-09-07 | 北京计算机技术及应用研究所 | 一种具有听觉隐蔽性的黑盒语音对抗样本生成方法 |
CN113221388A (zh) * | 2021-06-17 | 2021-08-06 | 北京理工大学 | 一种视觉感知扰动约束的黑盒深度模型对抗样本生成方法 |
CN113449783A (zh) * | 2021-06-17 | 2021-09-28 | 广州大学 | 一种对抗样本生成方法、系统、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
郁浩等著: "《基于贝叶斯分析的武器装备试验涉及与评估》", 31 December 2018, 国防工业出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114722407A (zh) * | 2022-03-03 | 2022-07-08 | 中国人民解放军战略支援部队信息工程大学 | 基于内生式对抗样本的图像保护方法 |
CN114722407B (zh) * | 2022-03-03 | 2024-05-24 | 中国人民解放军战略支援部队信息工程大学 | 基于内生式对抗样本的图像保护方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110991299B (zh) | 一种物理域上针对人脸识别系统的对抗样本生成方法 | |
CN109948658B (zh) | 面向特征图注意力机制的对抗攻击防御方法及应用 | |
CN111340214B (zh) | 对抗攻击模型的训练方法及装置 | |
CN111881935B (zh) | 一种基于内容感知gan的对抗样本生成方法 | |
Chen et al. | POBA-GA: Perturbation optimized black-box adversarial attacks via genetic algorithm | |
CN111753881B (zh) | 一种基于概念敏感性量化识别对抗攻击的防御方法 | |
CN110941794A (zh) | 一种基于通用逆扰动防御矩阵的对抗攻击防御方法 | |
CN111460426B (zh) | 基于对抗演化框架的抗深度学习文本验证码生成系统及方法 | |
CN115860112B (zh) | 基于模型反演方法的对抗样本防御方法和设备 | |
CN113033822A (zh) | 基于预测校正和随机步长优化的对抗性攻击与防御方法及系统 | |
CN112883874A (zh) | 针对深度人脸篡改的主动防御方法 | |
CN113435264A (zh) | 基于寻找黑盒替代模型的人脸识别对抗攻击方法及装置 | |
Deng et al. | Frequency-tuned universal adversarial perturbations | |
CN113935913A (zh) | 一种具有视觉感知隐蔽性的黑盒图像对抗样本生成方法 | |
CN111311324A (zh) | 基于稳定神经协同过滤的用户-商品偏好预测系统和方法 | |
CN117079053A (zh) | 基于梯度平均的人工智能图像识别对抗攻击方法及系统 | |
CN117152486A (zh) | 一种基于可解释性的图像对抗样本检测方法 | |
CN117011508A (zh) | 一种基于视觉变换和特征鲁棒的对抗训练方法 | |
Sharma et al. | Towards secured image steganography based on content-adaptive adversarial perturbation | |
CN115510986A (zh) | 一种基于AdvGAN的对抗样本生成方法 | |
Gomathy et al. | Network intrusion detection using genetic algorithm and neural network | |
Akan et al. | Just noticeable difference for machine perception and generation of regularized adversarial images with minimal perturbation | |
CN113723560A (zh) | 一种面向ar应用的基于生成对抗网络的对抗样本生成方法 | |
CN113392901A (zh) | 一种基于深度学习模型神经通路激活特征的对抗样本检测方法 | |
CN113657448B (zh) | 一种基于生成对抗网络和梯度解释的对抗样本防御方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220114 |