近年來(lái),作為機(jī)器學(xué)習(xí)非常重要的一個(gè)分支,深度學(xué)習(xí)技術(shù)在國(guó)內(nèi)外得到了迅速的發(fā)展和廣泛的關(guān)注,其實(shí)際應(yīng)用也越來(lái)越廣,比如圖像分類(lèi)、目標(biāo)檢測(cè)、自動(dòng)駕駛技術(shù)等。但是,最近的研究表明,基于深度學(xué)習(xí)的圖像識(shí)別系統(tǒng)容易受到惡意的攻擊,攻擊者可以通過(guò)在圖像上添加人類(lèi)難以察覺(jué)的修改后,迫使深度學(xué)習(xí)模型對(duì)圖像進(jìn)行錯(cuò)誤分類(lèi)。添加擾動(dòng)后的圖像被稱為對(duì)抗樣本。為了提高圖像識(shí)別模型的可靠性,迫切需要對(duì)對(duì)抗樣本防御進(jìn)行研究。目前,許多研究人員試圖通過(guò)研究對(duì)抗樣本防御來(lái)增強(qiáng)圖像分類(lèi)模型的魯棒性,魯棒性已經(jīng)成為保證深度學(xué)習(xí)模型可靠性的關(guān)鍵特性。然而,目前防御方法的研究主要集中在改進(jìn)分類(lèi)模型上,防御效果有限,防御能力不夠完備。本文研究了在輸入圖像分類(lèi)系統(tǒng)之前,通過(guò)轉(zhuǎn)換輸入來(lái)提高模型魯棒性,以此抵御對(duì)抗性攻擊。本文首先對(duì)已提出的形狀輪廓偏好的魯棒的圖像分類(lèi)模型進(jìn)行實(shí)驗(yàn)探究,發(fā)現(xiàn)其對(duì)抗魯棒性不足,甚至完全失去對(duì)抗樣本防御能力。本文在此基礎(chǔ)上,通過(guò)實(shí)驗(yàn)提出了基于風(fēng)格遷移的對(duì)抗樣本防御方法,并對(duì)防御模型進(jìn)行了設(shè)計(jì)與實(shí)現(xiàn),通過(guò)實(shí)驗(yàn)確定了模型參數(shù)。其次,使用FGSM、BIM、PGD、MIM等四種常見(jiàn)的攻擊算法對(duì)模型進(jìn)行攻擊生成對(duì)抗樣...

【文章頁(yè)數(shù)】：70 頁(yè)

【學(xué)位級(jí)別】：碩士

本文編號(hào)：3879106