- 1、本文档内容版权归属内容提供方,所产生的收益全部归内容提供方所有。如果您对本文有版权争议,可选择认领,认领后既往收益都归您。。
- 2、本文档由用户上传,本站不保证质量和数量令人满意,可能有诸多瑕疵,付费之前,请仔细先通过免费阅读内容等途径辨别内容交易风险。如存在严重挂羊头卖狗肉之情形,可联系本站下载客服投诉处理。
- 3、文档侵权举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
1 引言 深度神经网络(Deep Neural Networks,DNNs)在图像分类[1]、目标检测[2]等领域取得了巨大突破,但相关研究表明DNNs存在着脆弱性,容易被精心设计的对抗样本[3]所攻击.进一步的研究表明,对抗样本具有迁移性[4],即针对某个DNN生成的对抗样本,同样可以让其他未知的DNNs输出错误结果.对抗样本还能威胁现实应用[5],因此大量研究致力于提高DNNs的防御能力,如对抗训练[6]、样本去噪声[7]、样本转换[8]和其他方法[9].综上所述,对于对抗样本迁移性的研究,有助于提高DNNs的鲁棒性,并使得现实应用更加可靠. Foolbox[10]将对抗样本的生成方法分为
文档评论(0)