图像对抗攻击与防御方法研究.pdf

摘要

深度神经网络的广泛应用使对抗样本攻击成为研究热点。对抗样本通过微小扰动误

导模型决策,揭示了深度学习系统的脆弱性,同时推动了对抗鲁棒性的研究。尽管近年

来在对抗样本生成与防御领域取得了一定进展,如精细化扰动策略、多模态特征融合以

及基于证据量的不确定性等。但在该领域仍然面临诸多挑战,包括扰动分布不能精准作

用于关键特征区域、黑盒攻击成功率低、跨模型迁移能力有限以及防御方法计算成本较

高等。针对上述问题,本文

您可能关注的文档

文档评论(0)

1亿VIP精品文档

相关文档