阿狸阿狸
参加以下两个比赛：
（1）无目标攻击：给一张图，输出一张新的图，使分类分错，且使这张图，和原图差异最小
（2）目标攻击：给一张图，输出一张新图，使其错误分类为一指定类别，即“指鹿为马”
❤初赛中所用的方法：
别人开源的方法，先输入一张图片，然后对这张图片做一个运动模糊（一张图片，向右移动一位，叠加一次，即，向右移动一次，和本身叠加一次），该方法取得的分数为43左右，名次七八十
❤官方还开源了另外一个方法：
FGSM:2017年，NIPS的一篇论文，是NIPS攻防比赛第一名，用梯度上升，之前训练网络，现在训练噪声，这个分数是47，名次大概100名之后
❤我们的方法：
（1）无目标：UNet，实际用来做分割，输入一张图片，输出是一个三通道的噪声，然后将三通道的噪声，加入原图上。再将这个图，输入到官方给定的分类模型中，最后得到一个分类结果。目标函数是使该分类结果，与真实分类结果差异最大，另一个目标函数，是使图片更改最小（噪声最小）。名次：50/2519
（2）目标攻击：
❤经典方法（非深度学习）：输入一张图片，还有一个要被预测为的类别，只需要将这个图片，直接替换成另一个被预测类的图片，效果差，170名左右。原因：图片修改太大了。
❤在数据增强里面，有mix up方法，输入一张图片，和一个target，将这张图片，和这个target做一个混合（两者相加除以二），分数为92分，排名为70多。名次为：
❤后来考虑到物体基本在中心，所以对于mix up权重做了修改，服从高斯分布，中心属于target的权重最大，分数为70多，排名到47。47/2519
最近想用：
首先使用弱监督分割，把目标区域分割出来，只对目标区域做一个修改，准备用，class activation map（弱监督方法）来做
（1）无目标：
只对是目标的地方，使用之前UNet生成的噪声。名次：
（2）目标：
是物体的地方，用整张图均值，先做一个代替，能保证这部分不被识别为一个物体了。再给这部分加一个噪声。是根据之前网络训练出来的，即能把这部分训练为，指定目标。名次：
参考文献：https://tianchi.aliyun.com/notebook-ai/detail?spm=5176.12586969.1002.18.697b3247ZMSJCQ&postId=50096
狮虎最棒！
网友评论