论文部分内容阅读
深度学习在图像分类等领域被广泛应用的同时,也存在着对抗样本攻击的问题。针对这一问题,提出基于双边滤波与卷积降噪自编码器的对抗样本防御方法 BF-CDAE。首先对加入对抗扰动的图片进行双边滤波,初步去除图片的噪音扰动,然后将去噪后的图片送入卷积降噪自编码器中,对高维数据进行特征提取,进一步去除对抗样本中误导模型识别的噪音。实验结果表明,在不影响原图像分类结果的同时,针对采用FGSM方法生成的对抗样本攻击,利用该防御方法可将分类准确率恢复到93.14%,证明了该防御方法的有效性。