利用超宽带信道脉冲响应进行人体本地化的测试时间对抗性检测和鲁棒性

Nov, 2022

利用超宽带信道脉冲响应进行人体本地化的测试时间对抗性检测和鲁棒性

Test-time adversarial detection and robustness for localizing humans using ultra wide band channel impulse responses

Abhiram Kolli, Muhammad Jehanzeb Mirza, Horst Possegger, Horst Bischof

TL;DR本论文提出了一种通过量化预训练神经网络的局部中间响应和辅助 softmax 层的置信度得出输入的对抗样本的测试时间对抗样本例探测器，并通过非迭代输入样本剪辑来减弱非相关特征，从而提高了 15 种对抗扰动水平下的平均性能，其中快速梯度符号法（FGSM）提高了 55.33％，而基本迭代法（BIM）和投影梯度法（PGD）分别提高了 6.3％。

Abstract

keyless entry systems in cars are adopting neural networks for localizing its operators. Using test-time adversarial defences equip such s

keyless entry systems neural networks test-time adversarial defences adversarial example detector non-iterative input sample clipping

发现论文，激发创造

基于超宽带传感器信道脉冲响应的无钥匙进入系统关键佩戴器的鲁棒定位

使用神经网络进行钥匙无线进入安全特性中钥匙卡的定位是一种快速发展的技术。我们研究了基于预计算功能的神经网络的定位分类性能，探究了各种神经网络的鲁棒性，并提出了一种优于基线神经网络的多头自监督神经网络架构。模型的性能在某些对抗性幅度范围内提高了 67%（对于快速梯度符号法），以及对于基本迭代法和投影梯度下降法分别提高了 37%。

Jan, 2024

快速自适应的测试时间防御与鲁棒特征

通过投影训练模型到最稳健的特征空间，降低对非稳健方向的敌对攻击的脆弱性，提出一种容易与任何（稳健）训练过程集成的新颖自适应测试防御策略。

Jul, 2023

针对对抗攻击的带限制神经网络

使用傅里叶分析的方法研究了深度学习中对抗攻击和防御问题，发现神经网络的高频分量是其漏洞产生的重要原因，于是提出了一种简单的后验平均方法来平滑这些高频分量，使神经网络的鲁棒性得到了提高，可以有效地防御多种对抗攻击方法，且不会对原始图像产生显著的性能下降。

May, 2019

电力质量识别的对抗攻击与防御方法

本研究提出了两种方法进行对电力系统的对抗攻击，并利用对抗训练提高系统的鲁棒性。实验分析表明，相比 FGSM，我们的信号特定攻击方法提供更少的扰动，信号不可知攻击方法可以很高的概率欺骗大多数自然信号。此外，基于通用信号不可知算法的攻击方法具有更高的黑盒传输速率，而不是基于信号特定算法的攻击方法。

Feb, 2022

物体检测时序特征网络的对抗性漏洞

研究了针对自动驾驶中物体检测问题的时间特征网络是否容易受到攻击，将确定的攻击方法用于 KITTI 和 nuScenes 数据集上展开实验证实 K-PGD 方法可以提高系统的抗攻击能力而不影响其 mAP 性能。

Aug, 2022

使用自适应噪声降低在深度网络中检测对抗样本

该文章提出了一种直接部署到标准深度神经网络模型中的简单方法，通过引入两个经典图像处理技术，标量量化和平滑空间滤波，将图像中的扰动降低到最小，使用图像熵作为度量标准，可以有效地检测出对基于多种攻击技术的先进深度学习模型的 20,000 多个对抗样本，最终的实验结果表明，该检测方法可以取得 96.39％的高整体 F1 评分。

May, 2017

稳健过拟合问题的重要性：FGSM 测试时的敌对净化

我们提出了一种基于深度神经网络的测试时间像素级对抗净化（TPAP）方法，通过对训练和测试数据集上的快速梯度符号方法（FGSM）进行对抗净化，以提高 DNN 对各种未知对抗攻击的防御能力，实验证实我们的方法可以显著改善 DNN 的整体鲁棒泛化性能。

Mar, 2024

基于局部直方图均衡化的增强图像差异特征对抗样本检测

基于高频信息增强策略，提出了一种针对对抗性样本的检测框架，可以在不修改现有检测模型的情况下，提高检测器的性能和降低部署成本。

May, 2023

通过神经网络输运动力学检测对抗样本

文章提出了一种基于神经网络离散动态系统视角的对抗样本检测器，通过比较输入在神经网络各层上所遵循的离散向量场来判断其是否为异常输入，并表明在训练过程中规则化向量场可以使神经网络更加规则，从而提高对干扰样本的检测性能并改善测试准确率。

Jun, 2023

面向说话人识别的通用对抗扰动生成网络

本文研究了针对采用深度学习的生物特征识别系统的攻击方法，并证明了普适性对抗扰动的存在。我们提出了一种生成网络，通过学习低维正态分布与普适性对抗扰动的映射关系，将其应用于扰动输入信号以欺骗训练有素的说话人识别模型，并在 TIMIT 和 LibriSpeech 数据集上的实验结果表明了我们模型的有效性。

Apr, 2020