最终组合:通过组合数据增强提高对抗样本可传递性
原文中文,约200字,阅读约需1分钟。发表于: 。利用数据增强方法,特别是简单的颜色空间增强,可提高对抗性样本在模型间的传递性。
通过总结现有研究,确定了影响Visual-Language Pre-training模型转移攻击效果的两个因素:跨模态交互和数据多样性。提出了一种新的基于自我增强的转移攻击方法SA-Attack,并在Flickr30K和COCO数据集上验证了其有效性。
利用数据增强方法,特别是简单的颜色空间增强,可提高对抗性样本在模型间的传递性。
通过总结现有研究,确定了影响Visual-Language Pre-training模型转移攻击效果的两个因素:跨模态交互和数据多样性。提出了一种新的基于自我增强的转移攻击方法SA-Attack,并在Flickr30K和COCO数据集上验证了其有效性。