Regional Homogeneity: Towards Learning Transferable Universal Adversarial Perturbations阅读笔记

最新推荐文章于 2025-07-30 01:00:00 发布
最新推荐文章于 2025-07-30 01:00:00 发布
阅读量817 收藏 2
点赞数
CC 4.0 BY-SA版权
分类专栏： 对抗样本 文章标签： 对抗样本 通用对抗样本
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/everange/article/details/90769903

Regional Homogeneity

动机

通过观察现有对抗噪声，可以发现针对对抗训练后的模型设计的对抗噪声具有很强的局部相关性，因此，论文提出利用保持对抗噪声的局部相关性来提升对抗样本的攻击性能。

RHP框架

提出一个梯度转化模块：将区域不相关的梯度转变为区域相关的梯度。
g^=T(g;θT)=RN⁡(conv⁡(g))+g \hat{g}=T\left(g ; \theta_{T}\right)=\operatorname{RN}(\operatorname{conv}(g))+g g

最低0.47元/天 解锁文章

200万优质内容无限畅学
《Universal adversarial perturbations》总结笔记
孤山的都灵族如果不会打铁怎么办
03-15 571
扰动方法概括：本文提出的算法要求的是将同分布的一批训练样本推出决策边界的最小扰动向量。 如图所示，算法通过迭代依次求出每个训练样本的推出扰动向量 算法讲解： 如上图伪码，首先X取自同一分布的训练样本，是预测标签，当通用扰动添加到X中所有样本上时，错误率达到阈值，结束while循环。 while循环内，对X中每一个样本，如果之前已经生成的通用扰动添加到该样本上时，网络仍然正确分类，则把已经生成的通用扰动向量基础上再“放大一些”，使得对而言，能被分类错误。最后将更新为最新生成的通用扰动，其实就是
【今日CV 计算机视觉论文速览 92期】 2 Apr 2019
TomRen
04-02 4240
计算机视觉论文速览 第92期 人脸坐标条件生成 机器人多视觉任务工具包 显著性检测 动作迁移
Learning Transferable Adversarial Perturbations
weixin_46782905的博客
12-04 4619
在知乎上关注了一个大佬ZehaoDou窦泽皓，基本做到每天或者隔两天更新一篇已读论文，特别佩服大佬的毅力，因此想像他学习，也算记录自己读过的部分论文，方便下次查找。最后附送大佬主页：ZehaoDou 窦泽皓 2021.12.4 第1篇(NeurIPS 2021) 精读 原文链接：Learning Transferable Adversarial Perturbations 代码链接：Learning Transferable Adversarial Perturbations（截止目前，作者还只传了个壳）
【论文阅读】Learning Transferable Adversarial Perturbations 学习可转移的对抗性扰动
weixin_47748259的博客
03-15 1207
由于不同架构、不同数据或不同任务的 DNN 提取的中层特征具有很强的相似性，因此可以通过最大化样本的正常特征与在预训练分类器的中间层中提取的对抗性特征之间的距离来训练扰动生成器。五种最先进防御：高级表示引导降噪器（HGD）、通过随机调整大小和填充的输入预处理防御（R＆P） 、ResNeXt-101 上的特征去噪 (FD)、ResNet50 上的投影梯度下降 (PGD) 以及对抗性训练的 Inception 模型 的三个集合的平均值 (EnsembleAdv)。攻击前后的欺骗率和top-1错误的绝对差异。
Universal adversarial perturbations
OdayCollector的博客
10-25 301
2017 CVPR 此前的论文大多是讨论在一个图片上寻找扰动，但是效率低。 作者提出了一种寻找通用对抗扰动的算法 图一，多个图片赋一个扰动 具有对抗性
Regional-Homogeneity:区域同质性的源代码-Source code learning
03-25
区域同质性：迈向学习防御性可转移的普遍对抗性扰动 介绍 该存储库包含纸质旨在的代码。 本文表明，简单的普遍扰动会愚弄一系列最先进的防御措施。 用法 依存关系 Python3.6 Tensorflow 1.10.0 ...
机器学习实践：使用 scikit-learn 实现 Kaggle 医学影像分类任务
编程技术探索者，分享C/C++、C#、Java、数据库等开发经验，聚焦实战技巧与AI兴趣，助力编程爱好者成长。
07-29 1209
本文介绍了如何使用scikit-learn完成Kaggle乳腺组织病理学图像分类任务。重点包括：1)通过Kaggle API获取包含27.8万张50x50像素图像的数据集；2)采用随机采样处理大数据集；3)提取颜色直方图、灰度共生矩阵和HOG特征降低维度；4)使用标准化处理特征；5)划分80%训练集和20%测试集。该方法有效解决了医学影像分类中的高维数据、类不平衡和计算资源限制等挑战，为后续决策树模型构建和优化奠定了基础。
机器学习实践：使用 scikit-learn 实现 Kaggle 胸部 X 光图像分类任务
最新发布
编程技术探索者，分享C/C++、C#、Java、数据库等开发经验，聚焦实战技巧与AI兴趣，助力编程爱好者成长。
07-30 1254
机器学习实践：胸部X光图像分类 摘要 本文介绍了使用scikit-learn实现Kaggle胸部X光图像分类任务的方法。该任务旨在区分正常和肺炎的胸部X光图像，数据集包含5,216张训练图像（1,341正常/3,875肺炎）。文章详细阐述了数据预处理流程，包括灰度转换、图像降采样至64×64像素以降低计算复杂度。特征提取采用灰度直方图（16维）、灰度共生矩阵（5个纹理特征）和HOG特征，有效降低数据维度。通过决策树模型构建分类器，并解决了类不平衡问题（肺炎样本占比75%）。
[paper]Universal adversarial perturbations
weixin_43150428的博客
05-13 383
本文提出了计算自然图像中普遍扰动的算法，在神经网络上具有很好的泛化性，并且揭示了模型在高维空间中决策边界的几何联系。并且说明了在输入空间中存在单个方向的潜在安全漏洞，攻击者可能会利用这些漏洞造成模型对大多数自然图像分类错误。 universal 算法： μ\muμ是图像分布 vvv是universal扰动 k^\hat{k}k^是模型 universal扰动vvv需要满足两个条件： ξξξ表示控制扰动vvv的幅度大小 δδδ表示对于所有自然图像（满足图像分布服从μ\muμ）的期望扰动成功率 假如当前的v
Universal adversarial perturbations（2017 CVPR）
weixin_43856668的博客
11-20 497
给定最先进的深度神经网络分类器，我们证明了存在一个通用的（与图像无关的）且非常小的扰动向量，该向量会导致自然图像以高概率被错误分类。我们提出了一种用于计算普遍扰动的系统算法，并表明最先进的深度神经网络非常容易受到这种扰动的影响，尽管人眼几乎无法察觉。我们进一步对这些普遍的扰动进行了实证分析，并特别表明它们在神经网络中具有很好的泛化性。普遍扰动的存在揭示了分类器高维决策边界之间的重要几何相关性。它进一步概述了输入空间中存在单一方向的潜在安全漏洞，对手可能会利用这些方向来破坏大多数自然图像的分类器。
通用对抗扰动——Universal adversarial perturbations
weixin_48654804的博客
10-19 5583
Universal adversarial perturbations 来自CVPR2017的一篇论文。引用量也上千了。 https://openaccess.thecvf.com/content_cvpr_2017/html/Moosavi-Dezfooli_Universal_Adversarial_Perturbations_CVPR_2017_paper.html 概述 对抗样本，众所周知，其目的就是在图像中添加一个扰动，使得图像在推理环节中给出错误的输出。也就是： f(x+δ)≠f(x)f(x+\
【迁移攻击笔记】图像＆模型同时迁移2017Universal adversarial perturbations
weixin_43916250的博客
11-25 507
核心思想： 这篇17年的文章核心思想很简单： 初始化v=0没有扰动，然后对于每个样本加上扰动v后： 分类错误，则下一个样本; 分类正确，寻找一个微小的扰动 ，使得分类错误。 不断重复，直到在这样本中错误样本满足错误率。 所以可以理解成最原始最暴力的迁移攻击方法。然而最原始最暴力的方法往往也是最泛用的，所以对全数据集全网络都能通用。 算法和示意图如下： 图像迁移和网络迁移结果如下： 数学解释： 首...
[论文笔记]Universal adversarial perturbations(CVPR 2017)
Invokar的博客
08-14 3954
Universal adversarial perturbations(CVPR 2017) 文章简介： 本文主要是介绍了一种universal的扰动，能让大部分图片加入该噪声后就能被误分类，扰乱一个新的数据点只需要向图像添加一个普遍的扰动(不需要解决优化问题/梯度计算)。其示意图如下 Norm: 2-范数: ξ=2000\xi=2000ξ=2000 无穷范数: ξ=10\xi=10ξ=...
对抗机器学习——Universal adversarial perturbations
jmhIcoding
10-11 2105
代码地址： https://github.com/LTS4/universal 核心思想： 本文提出一种 universal对抗扰动，universal是指同一个扰动加入到不同的图片中，能够使图片被分类模型误分类，而不管图片到底是什么。示意图： 在这里插入图片描述 形式化的定义： 对于d维数据分布 μ，里面的每一个样本x∈R^d~μ，存在一个分类器k(x)→[1…k]。v是一个扰动，v满足： 同...
[论文笔记] Universal Adversarial Perturbations Against Semantic Image Segmentation(ICCV 2017)
Invokar的博客
08-20 1398
Universal Adversarial Perturbations Against Semantic Image Segmentation(ICCV 2017) 文章简介: DataSet: Cityscapes 区别: 与普通的单目标图片分类相比，多目标的语义分割任务会存在一个问题，就是某些target像素点的梯度方向可能正好与另外target像素点的梯度方向相反。而一般的交叉熵损失函数...
论文阅读 (53)：Universal Adversarial Perturbations
因吉的博客
06-06 837
要点如下：1）展示了对于给定的一个前沿神经网络分类器，只需要一个普适且极小的扰动就可以引发高概率的自然图像误分类；2）提出了一种计算通用扰动的系统算法，并表明最先进的深度神经网络非常容易受到这种扰动的影响，而人眼几乎可以察觉；3）进一步实证分析了这些普适扰动，并表明它们在神经网络中的良好泛化性能；4）普适扰动的存在揭示了分类器的高维决策边界之间的重要几何相关性。进一步概述了在输入空间中存在单个方向的潜在安全漏洞，攻击者可能利用这些方向破坏大多数自然图像上的分类器。..................
Universal adversarial perturbations(翻译，侵删)
bash_winner的博客
02-10 1075
Universal adversarial perturbations(通用对抗扰动) 原文链接 https://www.researchgate.net/publication/309460742_Universal_adversarial_perturbations 摘要 考虑到一个顶尖的深度神经网络分类器，我们展示了一个通用（图像不可知）和非常小的扰动向量的存在，它会英气自然的图片，以一个很高的置信度被误分类。我们提出了一个系统的算法来计算通用扰动，来展示顶尖的深度神经网络对于这类扰动的高度的脆弱性，
论文阅读 (81)：Fast Feature Fool: A Data Independent Approach to Universal Adversarial Perturbations
因吉的博客
11-29 640
提供了一种针对对象识别CNN的通用对抗扰动方法，展示了它们的迁移性。在没有数据的情况下，通过欺骗在多个网络层中学习的特征，来有效地生成通用扰动，从而误导CNN。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值