[1]王佳敏,钱亚冠,李思敏,等.基于注意力机制CGAN的对抗样本去噪方法[J].浙江科技学院学报,2022,(06):512-520.
　WANG Jiamin,QIAN Yaguan,LI Simin,et al.AttentionCGANbased adversarial example denoising method[J].,2022,(06):512-520.
点击复制

基于注意力机制CGAN的对抗样本去噪方法(/HTML)
分享到：

《浙江科技学院学报》[ISSN:2097-5236/CN:33-1431/Z]

卷:
期数:
2022年06期
页码:
512-520
栏目:
出版日期:
2023-01-01

文章信息/Info

Title:
AttentionCGANbased adversarial example denoising method
文章编号:
1671-8798(2022)06-0512-09
作者:
王佳敏; 钱亚冠; 李思敏; 梁小玉
浙江科技学院 理学院,杭州 310023
Author(s):
WANG Jiamin;  QIAN Yaguan;  LI Simin;  LIANG Xiaoyu
School of Sciences, Zhejiang University of Science and Technology, Hangzhou 310023, Zhejiang, China
关键词:
条件生成对抗网络; 注意力; 对抗样本
分类号:
TP183
文献标志码:
A
摘要:
卷积神经网络已被广泛应用于各种计算机视觉任务中,然而研究发现卷积神经网络极易受到精心设计的对抗样本攻击。为了抵御对抗攻击,提出一种基于注意力机制的条件生成对抗网络防御方法(attention conditional generative adversarial net,AttentionCGAN)。本算法利用对抗样本作为AttentionCGAN的训练样本,同时将生成器的生成样本输入分类器,得到注意力损失和分类损失;通过这两种损失函数训练AttentionCGAN,从而保证去噪样本的注意力区域与原始干净样本一致。在CIFAR10(Canadia Institute for Advanced Research)和ILSVRC2012(ImageNet Large Scale Visual Recognition Challenge)2个数据集上进行大量试验,结果表明去噪之后的样本分类准确率保持在70%以上。基于注意力机制CGAN的对抗样本去噪方法能提高卷积神经网络的鲁棒性,可为深度学习模型防御对抗攻击提供参考。
更新日期/Last Update: