Verteidigung gegen adversarial Angriffe durch Rekonstruktion von Bildern

Convolutional Neural Networks (CNNs) sind anfällig dafür, durch adversariale Beispiele getäuscht zu werden, die entstehen, indem kleine, für den Menschen nicht wahrnehmbare Störungen zu einem sauberen Bild hinzugefügt werden. In diesem Papier schlagen wir ein Bildrekonstruktionsnetzwerk vor, das ein Eingabe-adversariales Beispiel in ein sauberes Ausgabe-Bild umwandelt, um sich gegen solche adversarialen Angriffe zu verteidigen. Aufgrund der leistungsstarken Lernfähigkeit der Residualblockstruktur kann unser Modell eine präzise Zuordnung von adversarialen Beispielen zu rekonstruierten Beispielen lernen. Der Einsatz eines perceptuellen Verlustes unterdrückt den Fehlerverstärkungseffekt erheblich und verbessert die Leistung unseres Rekonstruktionsnetzwerks. Darüber hinaus werden durch das Hinzufügen von Randomisierungsschichten am Ende des Netzwerks die Auswirkungen zusätzlicher Störungen weiter unterdrückt, insbesondere bei iterativen Angriffen. Unser Modell hat die folgenden vier Vorteile. 1) Es verringert erheblich die Auswirkungen adversarialer Störungen, während es nur wenig Einfluss auf die Vorhersageleistung sauberer Bilder hat. 2) Während der Inferenzphase schneidet es besser ab als die meisten bestehenden modellunabhängigen Verteidigungsmethoden. 3) Es hat eine bessere Generalisierungsfähigkeit. 4) Es kann flexibel mit anderen Methoden kombiniert werden, wie z.B. adversarial trainierten Modellen.