对抗样本(论文解读十一):PatchAttack: A Black-box Texture-based Attack with Reinforcement Learning

PatchAttack: A Black-box Texture-based Attack with Reinforcement Learning

Chenglin Yang, Adam Kortylewski, Cihang Xie, Yinzhi Cao, and Alan Yuille
Johns Hopkins University

通过强化学习实现一个基于纹理的黑盒攻击

这是一篇比较新的对抗块攻击的相关文章，发布于arxiv：2020.04.12, 头几天刚在组会上分享了相关论文，今天在这里简单分享一下。

文章比较新，应该是初稿，包括一些实验设置及说明等不太完善，及代码等也没有公开。但是里面涉及到的一些点，还是具有一些启发意义的，所以还是可以学习了解一下的。

因为本篇论文的自身特点，与之前的论文解读方式有所不同，没有进行过多的细节的描述，而是进行了比较高的总结与探讨。

主要点从题目中也可以看出来：强化学习、黑盒攻击、基于纹理。

摘要：

现有基于块的黑盒攻击的局限性：它们在有目标攻击中表现不佳，甚至在无目标攻击中也不太具有挑战性，它们需要大量查询。
我们提出的PatchAttack：查询更有效且可同时实现有目标及无目标攻击。
设计了一个纹理字典，通过在网络的特征激活上利用Gram矩阵聚类学习得到。
PatchAttack通过强化学习优化对抗块的位置和纹理信息，实现攻击块的面积更小、攻击更强。
进一步的，证明了其对于相关防御方法的攻击性能。

总结4个点就是：

1.更有效的