基于图片高频和对抗子空间的迁移性攻击

针对对抗样本在白盒模型上过拟合和攻击者在搜索对抗子空间时受到约束等问题,从频域和可搜索对抗子空间的角度,提出了一种提升对抗样本迁移性的方法。首先,在生成对抗样本的过程中,通过减少图像的高频成分来减轻对抗样本在白盒模型上的过拟合效应。其次,通过扩大对抗子空间的搜索范围来捕获更多信息,从而提升对抗样本迁移性。值得注意的是,所提方法可以与现有的攻击相结合。在ImageNet数据集上进行的大量实验验证了所提方法的有效性,所提方法的黑盒攻击成功率较基于快速梯度符号法这一类攻击方法平均高出8.6%(针对正常训练模型)和18.2%(针对防御模型)。

使用深度对抗子空间聚类实现高光谱波段选择

高光谱图像(HSI)由数百个波段组成,波段之间的相关性强且具有较高的冗余度,导致出现维度灾难并且分类的复杂性很高。为此,使用深度对抗子空间聚类(DASC)网络进行高光谱的波段选择,并引入拉普拉斯正则化使网络更优,在保证分类精度的前提下降低分类的复杂度。该网络通过在编码器和解码器中引入自表达层来模仿传统子空间聚类的"自表达"属性,充分运用光谱信息和非线性特征转换得到波段之间的相互关系,解决传统波段选择方法无法同时考虑光谱和空间信息的问题。同时,引入对抗学习来监督自编码器的样本表示和子空间聚类,使得子空间聚类具有更好的自表达性能。为了使网络性能更优,加入拉普拉斯正则化来考虑反映图像几何信息的局部流形结构。实验在两个公开的高光谱数据集上进行,所提出的方法和几种主流的波段选择方法进行对比的结果表明,DASC方法在分类精度上优于对比方法,其选出的波段子集可以满足应用需求。