【每周CV论文推荐】基于GAN的对抗攻击，适合阅读那些文章入门？
【每周CV论文推荐】基于GAN的对抗攻击，适合阅读那些文章入门？
欢迎来到《每周CV论文推荐》。在这个专栏里，还是本着有三AI一贯的原则，专注于让大家能够系统性完成学习，所以我们推荐的文章也必定是同一主题的。
在图像分类的对抗攻击任务中，如果在图片上添加一个很小的扰动，虽然图像没有显著的视觉变化，但其可令分类器出现类别误判，这是GAN的一个重要应用领域。本文将推荐7篇对抗攻击的相关论文。
作者&编辑 | 小米粥
编辑 | 言有三
1. BFGS
对抗攻击领域的开山之作，首次提出了对抗样本的概念。论文同时提出了一种基于梯度的白盒攻击算法BFGS。BFGS通过最小化损失函数，使得神经网络做出误分类，将问题转化为凸优化问题。
文章引用量：1.1w+
推荐指数：?????
[1] Szegedy C, Zaremba W, Sutskever I, et al. Intriguing properties of neural networks[J]. arXiv preprint arXiv:1312.6199, 2013.
2. FGSM
快速梯度符号方法（FGSM）是Goodfellow等人在2014年提出的一种著名的对抗样本生成方法，是一种非定向攻击方法，也是一种基于梯度的方法。此外，FGSM常用于模型的对抗训练。此外，在FGSM的基础上，也出现了类似的I-FSM，R+FGSM等方法。
文章引用量：1.2w+
推荐指数：?????
[2] Goodfellow I J, Shlens J, Szegedy C. Explaining and harnessing adversarial examples[J]. arXiv preprint arXiv:1412.6572, 2014.
[3] Tramèr F, Kurakin A, Papernot N, et al. Ensemble adversarial training: Attacks and defenses[J]. arXiv preprint arXiv:1705.07204, 2017.
3. DeepFool
DeepFool是一种基于超平面分类的对抗样本生成方法，其计算最小的必要扰动从而将样本移动至超平面上，使分类器产生分类错误。
文章引用量：3800+
推荐指数：?????
[4] Moosavi-Dezfooli S M, Fawzi A, Frossard P. Deepfool: a simple and accurate method to fool deep neural networks[C]// Proceedings of the IEEE conference on computer vision and pattern recognition. 2016: 2574-2582.
4. FreeAT
FreeAT(Free Adversarial Training)基于FGSM的对计算过程进行了改进，在计算效率和训练速度上进行了优化。
文章引用量：700+
推荐指数：?????
[5] Shafahi A, Najibi M, Ghiasi M A, et al. Adversarial training for free![J]. Advances in Neural Information Processing Systems, 2019, 32.
5. ZOO
ZOO首次使用基于分数（score）的（例如类别概率）的对抗样本生成方法，是一种对分类模型信息未知的黑盒攻击方法。ZOO的核心思想是通过已知数据来训练新的替代模型，并在替代模型上进行攻击。
文章引用量：1100+
推荐指数：?????
[6] Chen P Y, Zhang H, Sharma Y, et al. Zoo: Zeroth order optimization based black-box attacks to deep neural networks without training substitute models[C]//Proceedings of the 10th ACM workshop on artificial intelligence and security. 2017: 15-26.
6. Boundary Attack
Boundary Attack是一种基于决策的对抗攻击算法，也是一种黑盒算法。Boundary Attack相比于基于分数的方法，更具有鲁棒性，也更贴近现实情况。
文章引用量：900+
推荐指数：?????
[7] Brendel W, Rauber J, Bethge M. Decision-based adversarial attacks: Reliable attacks against black-box machine learning models[J]. arXiv preprint arXiv:1712.04248, 2017.
5 如何进行实战
由于本次推荐的论文与图像生成有关联，为了帮助大家掌握相关前置知识！我们推出了相关的专栏课程《深度学习之图像生成GAN：理论与实践》，感兴趣可以进一步阅读：
【视频课】CV必学，超6小时，2大模块，循序渐进地搞懂GAN图像生成！
总结
本次我们介绍了基于GAN的图像对抗攻击方法，这是GAN的一类非常重要的应用，从事相关方向的朋友可以通过阅读这些文章进行初步了解。