一种针对快速梯度下降对抗攻击的防御方法

智能舰船识别可有效提高舰船装备智能化水平,但存在安全识别问题,即使性能卓越的分类模型也会受到对抗样本的攻击。面对快速梯度下降法(FGSM)这类对抗攻击,传统的防御方法需要先推倒已经训练好的分类模型,再通过安全手段进行重新训练。为简化这一过程,提出防御FGSM对抗攻击的FGSM-Defense算法。获得分类器对对抗样本初次预测的类别排名后,按相应置信度大小排名取出指定数量的类别。在此基础上,通过暴力搜索将这些类别依次指定为攻击目标,分别对原对抗样本进行FGSM有目标攻击,并按相应规则分步缩小搜索范围,筛选出对抗样本真实的类别。实验结果表明,该算法能够准确区分对抗样本的真实类别,在ImageNet数据集上的防御成功率为53.1%。与传统防御方法相比,其无需改变原有神经网络结构和重新训练分类模型,可减少对硬件算力的依赖,降低防御成本。

基于特征子图位平面切割和卷积神经网络的青光眼图像分类

青光眼是常见的眼科疾病之一,不及时治疗则会导致眼睛失明,而早期青光眼的诊断主要依赖于眼科医生的经验判断,容易出现误诊或漏诊的情况。为了降低该类情况发生的可能性,本文提出了一种利用位平面切割和特征子图技术来提取图像特征,并且结合卷积神经网络(CNN)分类器来提高青光眼识别率的方法。同时为了验证上述方法对提高图像分类准确率的有效性和对防御对抗样本攻击的有效性,本文首先采用快速梯度符号方法(Fast Gradient Sign Method,FGSM)对原始数据集进行攻击,并利用VGG16网络对受到攻击后的图像提取特征子图,然后将特征子图分解为8个位平面图像,最后将位平面图像输入CNN分类器。实验结果表明,运用该方法提取图像特征后,其对应位平面图像的分类准确率相较于受攻击后的图像有显著提高,准确率最高可从66.5%提升到97.4%,提高了30.9%。本文所提出的特征提取方法能有效提高分类准确率,并且具有抵抗对抗样本攻击的能力。

文本风格转换模型的平衡性改进方法研究

针对现有的文本风格转换模型语句内容保留度较低、内容与风格间平衡性较差,提出了基于文本属性可控转换模型(CTAT)的平衡性改进模型Balance-CTAT。在提出的模型中,改进的优化算法和结构加强了内容保留程度,即在对抗性风格干扰算法上添加显著性操作将干扰影响局部化;在自编码器结构上构造递进式解码器,逐层增加注意力头数对信息进行渐进式融合。提出的模型与现有的文本风格转换模型(如Cross、CTAT、FGST)进行了对比分析,并从风格转换精度、内容保留度和几何平均值进行评价。实验结果表明:提出的模型明显优于现有的文本风格转换模型,具有很好的内容保留度,综合性能显著提升。