Jul, 2019

使用类条件胶囊重构技术检测和诊断对抗性图像

PDF
TL;DR本文主要研究通过对输入进行类别有条件的重构来检测对抗样本，使用重构攻击来进攻检测机制，并发现 CapsNets 总是表现更好，进一步诊断 CapsNets 的对抗样本，发现了视觉相似性与攻击成功率之间的高度相关性。
adversarial examplesneural networkscapsnetsreconstructive attackvisual similarity
发现论文，激发创造
  • 基于类别条件胶囊的对抗样本检测：DARCCC

    本文介绍了一种使用胶囊模型检测对抗性图像的简单技术，以 $l2$ 距离为阈值，结合卷积神经网络的训练方法，能有效地检测出对抗性图像，并探讨了一种更强的攻击方式。

    Nov, 2018

  • RobCaps: 对胶囊网络抗仿射变换和对抗攻击的鲁棒性评估

    本文对 CapsNets 的鲁棒性进行系统分析与评估，与传统卷积神经网络进行全面比较，结果表明 CapsNets 在对抗性样本和仿射变换方面具有更好的鲁棒性，且动态路由对提高 CapsNets 的鲁棒性不贡献太多，而主要的贡献来源于通过胶囊实现的分层特征学习。

    Apr, 2023

  • 基于胶囊网络的深层异常检测方法探索

    本文探索基于胶囊神经网络的深度异常检测技术，开发了基于预测概率和重建误差的正常性评分函数来评估未见过图像的异常性，结果表明基于预测概率的方法表现出色，而基于重建误差的方法相对较敏感。

    Jul, 2019

  • 有这样的朋友，还要什么敌人？

    本文通过研究表明，图像分类网络对于对抗性攻击的脆弱性与其性能之间是一种互相联系的关系，因为网络中最容易受攻击的输入图像方向也是它们用于实现其分类性能的方向。此外，这种关系对于构建既精确又具有抵抗对抗攻击能力的神经网络具有深远的影响。

    Jul, 2018

  • 对抗攻击在自然监督下是可逆的

    研究表明攻击图像分类器的对抗性攻击也会干扰图像的自然结构，恢复图像的自然结构可逆转多种类型的对抗性攻击并提高深度学习的鲁棒性。

    Mar, 2021

  • 理解图像分类决策的对抗解释及改进神经网络的鲁棒性

    本文研究神经网络在医疗影像和欺诈检测等敏感领域应用时面临的鲁棒性问题和对抗攻击，并提出一种受 Lipschitz 约束启发的正则化技术以提高神经网络的抗干扰能力。在 ImageNet 分类任务中，本文设计的神经网络的准确性和鲁棒性面积（ARA）为 0.0053，是之前最先进技术的 2.4 倍，拓展了理解神经网络决策的重要方向。

    Jun, 2019

  • 图像超分辨率作为对抗攻击的防御

    本文提出了一个有效的图像增强方法，通过深度图像恢复网络来将离散的对抗噪声样本转换回自然图像流形，从而提高对抗性的鲁棒性，同时提高图像质量和保持干净图像上的性能表现。

    Jan, 2019

  • 使用卷积滤波器统计量检测深度网络中的对抗性样本

    本文提出了一种基于卷积层输出统计的级联分类器来有效检测深度神经网络中的对抗性样本，并且这种分类器是不可微分的，从而难以通过添加梯度干扰攻击；此外，利用小型均值滤波器可以恢复传统的对抗性样本，并且结果提供了更多关于深度卷积神经网络分类机制的见解。

    Dec, 2016

  • 胶囊网络易受对抗性攻击的漏洞

    本文评估胶囊网络对不同对抗性攻击的易受攻击性，发现胶囊网络易被欺骗，不如卷积神经网络稳健。

    Jun, 2019

  • CapsuleGAN：生成对抗胶囊网络

    介绍了一种名为 CapsuleGAN 的生成对抗胶囊网络框架，使用胶囊网络作为辨别器，利用改进的 GAN 目标函数进行训练，可以比传统卷积神经网络更好地模拟图像数据分布，表现出色于 MNIST 和 CIFAR-10 数据集，并实现了半监督图像分类。

    Feb, 2018