@article{su2019one,
title={One Pixel Attack for Fooling Deep Neural Networks},
author={Su, Jiawei and Vargas, Danilo Vasconcellos and Sakurai, Kouichi},
journal={IEEE Transactions on Evolutionary Computation},
volume={23},
number={5},
pages={828--841},
year={2019}}
概
一般的adversarial attack 是针对所有像素, 但是这种情况下,
从人的角度来看, 是容易发现差别的(虽然不改变这依旧是船的本质). 所以本文研究了一种更为极端的情况, 只在少数几个像素点(甚至是one pixel)下进行扰动, 实验证明成功率也是可以的(且利用了Differential Evolution). 下图是one pixel attack 的一个例子:
主要内容
问题描述
一般的adversarial attack 期望最大化
其中为扰动.
本文的问题, 可以理解为一个特例
特别的, one pixel 下 .
实际上，这是一种trade-off, 如果我们不限制像素个数, 则需要限制其扰动大小, 若不限制扰动大小, 这需要限制其像素个数, 只有这样, 扰动后的图像在人眼中其本质不变.
Differential Evolution (DE)
这个算法整理于此here.
首先, 初始化(文中给定
),
表示图片像素点的位置,
表示图片的RGB属性, 于是(mutation step)
文中给定, 且舍弃了crossover step.
注1: 是利用均匀分布初始化的,
使用高斯分布初始化的.
注2:既然都是由一些特殊范围和限制的, 个人认为生成后的
是需要一定的调整使得落入可行域内的.
实验
主要在CIFAR-10, 和 ImageNet 上做了实验, 有一些指标, 还做了和随机one pixel attack进行比较, 没有特别好讲的.
