IQA-CNN-Adversarial-攻击 基于CNN的图像分类的对抗性攻击的感知评估(数据集) 介绍 深度神经网络(DNN)最近获得了最先进的性能,并在许多机器学习任务中取得了重大进展。 但是,最近的研究表明,DNN容易受到对抗性攻击。 例如,在图像分类域中,向输入图像添加较小的不可察觉的扰动足以愚弄DNN并导致错误分类。 被扰动的图像(称为对抗示例)在视觉上应尽可能接近原始图像。 但是,文献中提出的所有用于生成对抗性示例的工作都使用Lp范数(L0,L2和Linf)作为距离度量来量化原始图像和对抗性示例之间的相似性。 但是,Lp规范与人类判断没有关联,因此它们不适合可靠地评估对抗性示例的感知相似性/保真度。 因此,我们提出了一个用于对抗示例视觉逼真度评估的数据库。 我们评估了15个可以替代Lp规范的最新全参考图像保真度评估指标的性能。 该数据库以及主观分数可公开获得,以帮助设计对抗性示