adversial_example_defense

KO | EN

gitlite — search

#javascript #hacktoberfest #react #llm #golang #java #windows #awesome #cli #kubernetes #vue #mcp #openai #open-source

adversial_example_defense

(★ 207)

对抗性样本攻击与防御

adversial_example_defense 최신버젼 다운로드

최종 버전 다운로드 (.zip)

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

# 对抗性样本攻击与防御

该代码探究了一种对于图像的攻击与防御方法。使用多种对抗性样本生成方法，在标准数据集上批量生成对抗性样本，从而达到欺骗神经网络的效果。同时，对于已经生成的对抗性样本做某些图像变换，去除对抗性样本噪声(noise)，从而消除对抗性样本的影响，达到防御的效果。

**【注】实验数据采用了Mnist/Cifar-10**

## 攻击

### 攻击方法
* [fgsm](https://arxiv.org/abs/1412.6572)(fast gradient sign method)
* [fgmt](https://arxiv.org/pdf/1607.02533.pdf)(fast gradient method with target)
* [deep fool](https://arxiv.org/abs/1511.04599)
* [jsma](https://arxiv.org/abs/1511.07528)(Jacobian-based saliency map approach)

**点击以查看相关论文**

### 代码
#### `attack/`文件夹包含了攻击方法的代码，具体如下：
* `fgsm_mnist.py`：基于Mnist数据集训练模型
* `fgsm_eval.py`：模型预测
* `fgsm_make_ad.py`：对Mnist数据集生成对抗性样本（FGSM）
* `my_cifar10_train.py`：基于Cifar-10数据集训练模型
* `my_cifar10_eval.py`：模型预测
* `my_cifar10_maka_ad.py`：对Cifar-10数据集生成对抗性样本（FGMT）
* `get_clean_img.py`：提取Cifar-10数据集，以.png格式保存到本地

* `attack/attacks/`：该文件夹是对攻击方法的代码封装
* `attack/example/`：该文件夹是上述所有攻击方法在Mnist数据集的实现（尝试了不同的迭代次数、扰动值等）

**为了节省训练时间，`attack/example/`中存放了两个已经训练好的模型：**  
* `model/`：Mnist的预训练模型
* `my_model/`：Cifar-10的预训练模型

## 防御

### 防御方法
对图像做DCT变换，然后逆变换回图像，只保留其基本的直流分量，以实现对抗性样本的去噪处理
**[DCT原理](https://en.wikipedia.org/wiki/Discrete_cosine_transform)**

### 代码
#### `defense/`文件夹包含了防御方法的代码，具体如下：
* `create_gray_scale_image.py`：生成灰度图
* `dct&idct.py`：对图像做DCT&IDCT变换，然后将新图像保存到本地

## 原始版本
[代码来源](https://mp.weixin.qq.com/s/jgeCqz1VwY92BfTLFahu1Q)

`initial_version/`文件夹是最原始的版本，实现了对单张图像的对抗性攻击和DCT去噪处理，数据集采用ImageNet中的图像，模型采用了Inception V3（Keras中的预训练模型），攻击方法采用FGMT，具体如下：
* `dection.py`：模型预测
* `dct.py`：将输入的图片做dct变换，再做逆变换，并保存新图  
* `create_ad.py`：生成对抗性图片 
* `create_gray_scale_image`：生成灰度图
* `imagenet_classes.py`：对抗性攻击目标

## 目前的问题
* 对于cifar-10的模型识别准确率低于baseline（模型采用TensorFlow官方网站的tutorial）
* 基于cifar-10生成的对抗性样本效果较差

## 作者相关
Author ：Jiarun Cao  
Advisor : Prof.chongwen Wang  
Address：Beijing Insitute of Technology  
E-mail : 2211241432@qq.com && jiaruncao.china@Gmail.com

## 2018-08-06更新  
提出了基于图像变换的防御方法:  
- Image quilting
- Total variation minimization
- JPEG compression
- Pixel quantization
  
论文：  
- Chuan Guo, Mayank Rana, Moustapha Cisse, and Laurens van der Maaten. **Countering Adversarial Images using Input Transformations**. arXiv 1711.00117, 2017. [[PDF](https://arxiv.org/pdf/1711.00117.pdf)]

代码：  
- [adversarial_image_defenses](https://github.com/taianjianbing/adversarial_image_defenses)

*如果对您有帮助，请Star一下，不胜感激*

adversial_example_defense

adversial_example_defense 최신버젼 다운로드

오늘의 추천 프로젝트

Was this content helpful?

Recent Feedback

adversial_example_defense

adversial_example_defense 최신버젼 다운로드

오늘의 추천 프로젝트

Was this content helpful?

Recent Feedback

Download README