基于对抗样本的深度学习图像压缩感知方法

压缩感知是研究数据采样压缩与重构的信号处理新理论,近年来研究人员将深度学习运用到图像压缩感知算法中,显著提高了图像重构质量.然而,图像信息常与隐私关联,高质量的重构图像在方便人们观赏的同时,带来了隐私保护的问题.本文基于深度学习理论,提出一种对抗的图像压缩感知方法.该方法将压缩理论和对抗样本技术统一于同一个压缩感知算法,通过设计损失函数,联合重构误差和分类误差来训练压缩感知深度神经网络,使得压缩感知重构样本同时也是一个对抗样本.因此,重构图像在保证重构质量的同时,也能对抗图像分类算法,降低其识别率,达到保护图像隐私的效果.在Cifar-10和MNIST图像集上进行的实验结果表明,和已有的压缩感知方法相比,我们提出的对抗压缩感知方法以损失仅10%的图像重构质量为代价,使得图像分类精度下降了74%,获得了很好的对抗性能.     

多模态情感分析模型对抗攻击评估与防御方法

为系统探究多模态情感分析模型在对抗攻击下的鲁棒性,采用3种经典对抗攻击方法(快速梯度符号方法、投影梯度下降和动量迭代快速梯度符号方法)、2种模态数据输入(视觉和语音)和4种不同的数据特征融合方法(特征相加、特征拼接、多模态低秩双线性和多模态Tucker融合),对比各种组合下模型的性能表现,研究影响多模态情感分析模型鲁棒性的内在因素．提出一种基于互信息最大化的多模态防御方法,通过减少输入模态特征中的冗余信息提升模型鲁棒性．研究结果表明：在非线性特征融合及双模态数据输入组合下,模型抵御对抗攻击效果最佳;在应用互信息最大化防御方法后,模型性能及抵御攻击能力均可得到有效提升．     

基于k-WTA的对抗样本防御模型研究

为提高图像分类神经网络的鲁棒性,提出一种基于k-WTA的对抗样本防御模型Att-k-DefGAN.模型在Rob-GAN的基础上做出改进,并利用k-WTA激活函数的不连续性与模型训练中的对抗攻击预处理形成对抗,进一步提高分类神经网络的鲁棒性.实验结果表明,在CIFAR-10数据集和ImageNet子集上,Att-k-De...     

基于Lipschitz常数约束的胶囊网络鲁棒性增强

为了提升胶囊神经网络的对抗鲁棒性，本文提出了基于Lipschitz常数约束的正则化方法，利用对抗训练方法来得到更加鲁棒的胶囊网络，将改进后的模型命名为Lips-CapsNet。相比较其它模型而言，Lips-CapsNet计算简便，不需要对胶囊网络的结构做出任何改变。实验结果显示，模型在MNIST、SVHN等数据集上实现了鲁棒性的提升，尤其是在Fashion-MNIST数据集上，在较强的攻击算法下，对抗样本的预测精度提升可达8%。     

鲁棒性报头压缩中实现滑动窗口动态调整

鲁棒性报头压缩（ROHC）用来应用于高误码率和长环路延时的无线环境。由于无线系统的环境是动态变化的,信道质量随时发生变化。为了适应这种情况,需要根据信道变化情况动态调整ROHC压缩的参数。给出了调整滑动窗口的方法和实现,优点在于不需要复杂的信道测量技术。通过仿真和标准ROHC性能进行了比较,表明动态调整滑动窗口的方法可以同时兼顾压缩效率和鲁棒性。     

基于Logistic混沌序列和奇异值分解的半脆弱水印算法

提出了基于Logistic混沌序列和奇异值分解的半脆弱水印新算法,分析了混沌序列的初值敏感性和低相关性在水印中的应用,研究了奇异值在高比例有损压缩下的鲁棒性.结果表明:混沌序列生成的水印具有唯一性和不可破解性,某些奇异值在高比例有损压缩下具有相对稳定性;将奇异值作为水印载体,其水印显示良好的抗压缩鲁棒性,同时可以精确检测与定位被篡改的图像内容.     

基于非采样Contourlet变换和SVD的数字水印算法研究

非采样Contourlet变换具有多尺度性、多方向性和平移不变性的优点.提出了一种基于非采样Contourlet变换和SVD结合的数字水印算法,首先对图像进行非采样Contourlet变换得到低频子带,并对该子带系数进行SVD分解,然后将水印信息嵌入到奇异值中.实验表明,该算法在满足不可见性的同时,对常见的攻击有很好的鲁棒性,且提高了对抗JPEG压缩、中值滤波、高斯滤波和旋转攻击的能力.     

DCT域大容量鲁棒数字水印

为了在不降低数字水印鲁棒性的前体下提高嵌入容量,采用了在变换域中对DCT系数的修改来添加灰度图像数字水印。数字水印通过DWT变换并提取其低频分量实现数据压缩,用低频系数代替载体图像中的部分中频系数来实现水印嵌入。在DCT域中对其中频系数的修改算法可以保证水印的鲁棒性,同时又有较大的嵌入容量。实验结果表明,这一算法对JPEG压缩、剪切、加噪都具有较好的鲁棒性。     

逃避攻击下恶意PDF文件检测技术

KNN(K近邻)算法以其操作简单、分类效果明显的优点被广泛应用于网络入侵检测、垃圾邮件识别和图像识别等领域。KNN算法通过计算测试集与训练集之间的相似度进行分类。传统的机器学习分类模型通常只考虑分类的精度,没有考虑到攻击者的攻击问题,导致当存在非法攻击时,分类模型的鲁棒性降低。对此首先通过使用逃避攻击方法实现对KNN算法在恶意PDF文件分类上的攻击,然后将攻击产生的对抗样本添加到训练集中训练出新的分类器,最后模拟两种不同攻击方式在不同攻击强度下对改进前后KNN分类器分类效果的影响。实验结果表明,通过将对抗样本添加到训练集中能够有效提高KNN分类器的鲁棒性。     

一种考虑概率分布的鲁棒优化模型

文章以随机规划中的机会约束思想为指导,根据随机参数的概率分布情况,提出了两种鲁棒性条件约束,并在此基础上建立了一种新的鲁棒优化模型,使模型的可行解控制在一定的鲁棒性指标的范围内。该模型不但可处理约束两端同时含有随机参数的情况,还可以方便地推广到非线性模型中。仿真实例说明了模型的有效性。     

针对交通标志检测模型的安全性研究

近几年研究表明,现有对抗算法在攻击目标检测模型时,易受到光照、角度、天气等环境因素的影响,导致生成的对抗扰动攻击成功率较低,鲁棒性较差.为进一步提高攻击目标检测模型的成功率,提出了一种对抗算法IFASC-TS(Improved Fooling Automated Surveillance Cameras on Traf...     

基于GFCC特征提取机器人仿生声呐SLAM算法研究

针对移动机器人在室内环境下的定位问题,本文采用基于GFCC((Gammatone Frequency Cepstrum Coefficient))特征提取BatSLAM模型,用指数压缩来模拟听觉系统的非线性特性,使用加海宁窗处理来减小回波信号所存在的边缘影响,使用离散余弦变换来对耳蜗图进行有损数据压缩,从而提高耳蜗图的抗干扰能力,使用升半正弦倒谱提升来提高耳蜗图的鲁棒性,通过GFCC特征提取可以有效提高室内定位的精度和准确性。实验表明,基于GFCC特征提取BatSLAM模型,通过提高耳蜗图的抗干扰性和鲁棒性,可以有效的较小定位误差,从而提高移动机器人的定位精度和准确性。     

基于可逆信息隐藏的的无损鲁棒数字水印模型的研究

提出一种新的无损鲁棒数字水印的框架模型,该框架模型中通过鲁棒数字水印算法把水印嵌入进去,然后将可恢复原载体图像的信息再经可逆信息隐藏方法嵌入到该水印图像中,该模型在提取水印和恢复载体图像过程中都不需要原载体图像。基于该框架模型,本文提出一种基于混沌和JPEG压缩格式的无损鲁棒数字水印的算法,实验证明该算法不仅可以使载体图像无损重构,而且能有效的抵抗JPEG压缩、噪声干扰、低通滤波、剪切、旋转等几种典型的攻击,具有较强的鲁棒性,验证了本文所提出无损鲁棒数字水印框架模型的有效性。     

基于矢量量化域相似码字替换的对抗嵌入方法

为了整合对图像的隐私保护、版权保护、完整性保护，提出一种压缩域基于相似码字替换的对抗嵌入方法 .该方法属于对抗攻击和信息隐藏的交叉新领域，将传统对抗攻击方法中人为添加的无意义噪声替换成有意义的秘密信息，使对抗嵌入图像错误分类，防止攻击者在云端海量数据库中通过神经网络分类模型捕获特定类别的图像，实现对图像的隐私保护；而且，可以从对抗嵌入图像中完整提取隐藏的秘密信息，实现对图像的版权保护.该对抗嵌入方法的攻击对象是图像的压缩形式-矢量量化索引，攻击中使用该索引的不同相似码字索引替换嵌入的秘密信息，可以实现在高压缩率情况下对图像的双重保护.使用遗传算法优化相似索引扰动，可以有效地降低真实类别的概率，误导分类模型的输出.实验结果证明，在CIFAR-10测试数据集上，使用三种经典的网络分类模型（Resnet,NIN,VGG16），提出的对抗嵌入方法使90.83%的图像以85.44%的平均置信度被错误分类，且嵌入容量可以达到0.75 bpp.     

基于深度压缩感知的脑电情感识别

【目的】传统压缩感知中存在观测矩阵对信号适应性和重构算法对字典依赖性的问题，深度压缩感知则利用深度学习的方法解决传统压缩感知中存在的问题。【方法】利用深度信念网络(DBN)能够在不破坏观测矩阵随机性的前提下对信号进行自适应压缩，同时利用栈式自编码器(SAE)可以端到端地训练重构网络来摆脱重构算法对稀疏字典的依赖性，根据信号的稀疏表示中所具有的判别性，提出基于DBN和SAE的压缩感知识别模型(CS-DBN-SAE)。【结果】在DEAP情感脑电数据库上的四分类实验结果表明，CS-DBN-SAE模型的识别率达到83.29%,相比于传统压缩感知识别模型均取得了4.3%以上的提升。     

基于压缩感知的实时在线目标追踪

在正负样本区域随机抽取了不同尺度下图像的局部二值模式(LBP)特征,将高维的特征信息投射到低秩的压缩域,并据此建立了表观模型.使用一个随机稀疏测量矩阵来压缩前景和背景目标.将追踪问题转化成为了一个使用朴素贝叶斯分类器的二元分类问题.所提方法可以较快速、实时地在线追踪目标,同时解决了目标尺度变化、遮挡问题.     

基于生成对抗网络的细胞形变动态分类

提出了一种基于生成对抗网络的细胞形变动态分类方法,以活细胞视频中的细胞形变动态为对象,引入分类器辅助的生成对抗网络结构同步训练生成对抗网络和分类网络,通过生成对抗网络产生的数据提高了原本分类网络分辨细胞形变动态的性能.首先,细胞动态图像被用于将活细胞视频中的时间维度进行压缩,使其从视频域映射到图像域以方便生成对抗网络的构建.其次,基于分类器辅助的生成对抗网络结构,将分类网络的分类信息作为辅助信息来改善生成对抗网络对多类样本的生成,同时生成网络生成的多类样本可以反过来优化分类网络对于细胞动态形变的分类性能.在构建的活细胞视频数据库上,可以验证提出方法能有效地捕获细胞视频中的空时细胞形变动态,并且其分类的性能优于其它主流方法.     

基于对抗学习的讽刺识别研究

为了避免现有讽刺识别方法的性能会受训练数据缺乏的影响, 在使用有限标注数据训练的注意力卷积神经网络基础上, 提出一种对抗学习框架, 该框架包含两种互补的对抗学习方法。首先, 提出一种基于对抗样本的学习方法, 应用对抗生成的样本参与模型训练, 以期提高分类器的鲁棒性和泛化能力。进而, 研究基于领域迁移的对抗学习方法, 以期利用跨领域讽刺表达数据, 改善模型在目标领域上的识别性能。在3个讽刺数据集上的实验结果表明, 两种对抗学习方法都能提高讽刺识别的性能, 其中基于领域迁移方法的性能提升更显著; 同时结合两种对抗学习方法能够进一步提高讽刺识别性能。     

基于可逆网络的对抗样本防御算法的设计与研究

深度学习模型极容易受到对抗样本的攻击。为了提高模型的鲁棒性，提升相关技术在现实生活中应用的安全性，提出一种轻型可逆网络(lightweight reversible network, LRNet)用于有效去除对抗样本中的对抗扰动。首先，将哈尔小波变换与可逆网络相结合，获得更丰富的特征；其次，将特征通道分离，利用干净样本的高低频特征指导学习，从随机数中重采样替换高频信息去除对抗扰动；再次，提出特征分离模块，去除非鲁棒特征，提高分类准确率。结果表明：LRNet防御模型能显著提高防御准确率，其分类准确率在MNIST,CIFAR-10数据集上较防御模型ARN分别从91.62%和67.29%提升到97.65%和78.55%;模型的参数大小降低至0.48 MiB,是APE-GAN模型的20%;防御模型的迁移能力得到极大提高，为对抗样本的防御提供了一种新方法。     

基于粒子群优化的DCT域盲水印算法

提出了一种基于粒子群优化的DCT域盲水印算法.该算法采用粒子群优化在图像DCT变换域中寻找最优的水印嵌入位置,并综合考虑不可见性和鲁棒性两个数字水印基本要求,以PSNR值和NC值的线性组合为适应度函数.根据粒子群算法得到的最优值,将水印信息嵌入到图像分块的DCT变换的AC系数中.实验结果表明,在满足水印不可见性同时,算法在噪声,压缩,裁剪等攻击下具有较好的鲁棒性.