典型文献
面向图像分类的对抗鲁棒性评估综述
文献摘要：
近年来,以深度学习为代表的人工智能技术在金融安防、自动驾驶、医疗诊断等领域取得了较为成功的应用.然而,图像分类作为上述应用中的一项基础视觉任务,正遭受着对抗攻击等技术手段带来的巨大安全隐患.提高深度学习模型抵御对抗攻击的能力(即对抗鲁棒性)成为有效缓解该问题的可行技术途径.为了科学、全面地提升深度学习模型的对抗鲁棒性,众多学者从基准评估和指标评估2个角度围绕对抗鲁棒性评估开展了大量研究.该研究着重对上述指标评估相关研究进行综述:首先,介绍对抗样本相关概念以及存在的原因,总结提出进行对抗鲁棒性评估时需要遵循的评估准则;其次,从被攻击模型和测试数据2个维度,重点梳理和对比分析现有的主要对抗鲁棒性评估指标;而后,分析总结现阶段主流的图像分类数据集和对抗攻防集成工具,为后续开展对抗鲁棒性评估奠定基础;最后,探讨当前研究的优势和不足,以及未来潜在的研究方向.旨在为相关领域从业人员或学习者提供一个较为全面的、系统的和客观的面向图像分类的对抗鲁棒性评估指标综述.
文献关键词：
对抗鲁棒性;评估指标;对抗攻防;图像分类;深度学习
中图分类号：
作者姓名：
李自拓;孙建彬;杨克巍;熊德辉
作者机构：
国防科技大学系统工程学院 长沙 410073
文献出处：
引用格式：
[1]李自拓;孙建彬;杨克巍;熊德辉-.面向图像分类的对抗鲁棒性评估综述)[J].计算机研究与发展,2022(10):2164-2189
A类：
对抗攻防
B类：
图像分类,对抗鲁棒性,鲁棒性评估,融安,安防,自动驾驶,医疗诊断,视觉任务,对抗攻击,大安全,高深,深度学习模型,技术途径,指标评估,对抗样本,样本相关,出进,评估准则,攻击模型,测试数据,分类数据,优势和不足
AB值：
0.235774
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
