典型文献
基于注意力机制CGAN的对抗样本去噪方法
文献摘要：
卷积神经网络已被广泛应用于各种计算机视觉任务中,然而研究发现卷积神经网络极易受到精心设计的对抗样本攻击.为了抵御对抗攻击,提出一种基于注意力机制的条件生成对抗网络防御方法(attention condi-tional generative adversarial net,Attention-CGAN).本算法利用对抗样本作为Attention-CGAN的训练样本,同时将生成器的生成样本输入分类器,得到注意力损失和分类损失;通过这两种损失函数训练Attention-CGAN,从而保证去噪样本的注意力区域与原始干净样本一致.在CIFAR10(Canadia Institute for Advanced Research)和ILSVRC2012(ImageNet Large Scale Visual Recognition Challenge)2个数据集上进行大量试验,结果表明去噪之后的样本分类准确率保持在70％ 以上.基于注意力机制CGAN的对抗样本去噪方法能提高卷积神经网络的鲁棒性,可为深度学习模型防御对抗攻击提供参考.
文献关键词：
条件生成对抗网络;注意力;对抗样本
中图分类号：
作者姓名：
王佳敏;钱亚冠;李思敏;梁小玉
作者机构：
浙江科技学院理学院,杭州310023
文献出处：
引用格式：
[1]王佳敏;钱亚冠;李思敏;梁小玉-.基于注意力机制CGAN的对抗样本去噪方法)[J].浙江科技学院学报,2022(06):512-520
A类：
Canadia,ILSVRC2012
B类：
注意力机制,CGAN,去噪方法,计算机视觉,视觉任务,精心设计,对抗样本攻击,对抗攻击,条件生成对抗网络,网络防御,防御方法,attention,condi,tional,generative,adversarial,net,Attention,法利,训练样本,生成器,分类器,损失函数,干净,CIFAR10,Institute,Advanced,Research,ImageNet,Large,Scale,Visual,Recognition,Challenge,分类准确率,深度学习模型
AB值：
0.347434
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。
