在注意力空间扰动下的多样性生成以提高对抗攻击的迁移性

背景介绍  这是发布在ICIP(International Conference Image Processing) 2022会议上的一篇文章，作者是韩国科学技术研究院，论文原文：https://arxiv.org/abs/2208.05650。  我们知道在2D对抗攻击的领域，目前还能够做的就是提

【CVPR2022】Stealthy and Effective Physical-world Adversarial

2022CVPR，阴影也能变得很危险，对抗样本攻击，论文原文：https://arxiv.org/abs/2203.03818v2背景介绍  这篇文章是2022年的CVPR，是哈尔滨工业大学和清华大学联合发表的文章。传统模式对抗样本的生成是基于源模型并且使用梯度上升的方式使得我们生成的扰动能够使得模

Feature Importance-aware Transferable Adversarial Attacks

论文阅读笔记，论文链接:https://arxiv.org/pdf/2107.14185.pdf背景介绍  该文章发表在2021的ICCV会议当中，并且由浙江大学、武汉大学、Adobe联合发表。我们知道深度神经网络容易受到对抗样本的攻击，而对抗样本的生成是已知源模型的参数，然后在源模型的基础上生成对