지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술저널
- 저자정보
- 발행연도
- 2019.12
- 수록면
- 629 - 635 (7page)
이용수
초록· 키워드
오류제보하기
여러 분야에서 사용되는 이미지 분류를 위한 딥러닝(Deep Learning) 모델은 오류 역전파 방법을 통해 미분을 구현하고 미분 값을 통해 예측 상의 오류를 학습한다. 엄청난 계산량을 향상된 계산 능력으로 해결하여, 복잡하게 설계된 모델에서도 파라미터의 전역 (혹은 국소) 최적점을 찾을 수 있다는 것이 장점이다. 하지만 정교하게 계산된 데이터를 만들어내면 이 딥러닝 모델을 ‘속여’ 모델의 예측 정확도와 같은 성능을 저하시킬 수 있다. 이렇게 생성된 적대적 사례는 딥러닝을 저해할 수 있을 뿐 아니라, 사람의 눈으로는 쉽게 발견할 수 없도록 정교하게 계산되어 있다. 본 연구에서는 임의의 잡음 신호를 추가하는 방법을 통해 적대적으로 생성된 이미지 데이터셋을 탐지하는 방안을 제안한다. 임의의 잡음신호를 추가하였을 때 일반적인 데이터셋은 예측 정확도가 거의 변하지 않는 반면, 적대적 데이터셋의 예측 정확도는 크게 변한다는 특성을 이용한다. 실험은 공격 기법(FGSM, Saliency Map)과 잡음 신호의 세기 수준(픽셀 최댓값 255 기준 0-19) 두 가지 변수를 독립 변수로 설정하고 임의의 잡음 신호를 추가하였을 때의 예측 정확도 차이를 종속 변수로 설정하여 시뮬레이션을 진행하였다. 각 변수별로 일반적 데이터셋과 적대적 데이터셋을 구분하는 탐지 역치를 도출하였으며, 이 탐지 역치를 통해 적대적 데이터셋을 탐지할 수 있었다.
목차
요약
Abstract
1. 서론
2. 선행 연구
3. 제안하는 방법
4. 실험 및 결과
5. 결론
REFERENCES
참고문헌 (15)
참고문헌 신청
A. Krizhevsky / 2012 / Imagenet classification with deep convolutional neural networks / Advances in neural information processing systems :1097~1105
K. Simonyan / 2014 / Very deep convolutional networks for large-scale image recognition
C. Szegedy / 2015 / oing deeper with convolutions / Proceedings of the IEEE conference on computer vision and pattern recognition :1~9
K. He / 2016 / Deep residual learning for image recognition / Proceedings of the IEEE conference on computer vision and pattern recognition :770~778
M. Bojarski / 2016 / End to end learning for self-driving cars
K. Simonyan / 2014 / Very deep convolutional networks for large-scale image recognition
C. Szegedy / 2015 / oing deeper with convolutions / Proceedings of the IEEE conference on computer vision and pattern recognition :1~9
K. He / 2016 / Deep residual learning for image recognition / Proceedings of the IEEE conference on computer vision and pattern recognition :770~778
M. Bojarski / 2016 / End to end learning for self-driving cars
함께 읽어보면 좋을 논문
논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!
-
데이터 예측 클래스 기반 적대적 공격 탐지 및 분류 모델
정보보호학회논문지
2021 .12
-
영상 인식을 위한 딥러닝 모델의 적대적 공격에 대한 백색 잡음 효과에 관한 연구
한국정보전자통신기술학회 논문지
2022 .02
-
Adversarial Sparsity Mapping Network to Defense Against Adversarial Attacks
Proceedings of KIIT Conference
2021 .06
-
선형 판별 분석 및 k-means 알고리즘을 이용한 적대적 공격 유형 분류 방안
정보보호학회논문지
2021 .12
-
적대적 공격 및 방어 기술의 성능 향상을 위한 역방향 적대적 데이터 생성 연구
정보보호학회논문지
2024 .10
-
적대적 학습과 적대적 강건성 사이의 연관성
한국정보과학회 학술발표논문집
2020 .12
-
카메라 시점 변환을 이용한 전이 기반 적대적 공격 기법
전자공학회논문지
2022 .07
-
Advanced Generative Adversarial Defense Model using Instance Sparsity Mapping Network
한국정보기술학회논문지
2021 .08
-
강화학습 모델에 대한 적대적 공격과 이미지 필터링 기법을 이용한 대응 방안
정보보호학회논문지
2024 .10
-
이미지의 Symbolic Representation 기반 적대적 예제 탐지 방법
정보보호학회논문지
2022 .10
-
High Representation based GAN defense for Adversarial Attack
International journal of advanced smart convergence
2019 .01
-
원근 변환 기법을 통한 적대적 이미지의 전이성 향상
대한전자공학회 학술대회
2021 .11
-
Current Research Trends in Attacking Deep Learning Using Adversarial Examples
Journal of KIISE
2022 .05
-
적대적 공격을 방어하기 위한 StarGAN 기반의 탐지 및 정화 연구
정보보호학회논문지
2023 .06
-
Effective Robustness Improvement in Medical Image Segmentation : Adversarial Noise Removal by the Input Transform Method
Journal of KIISE
2023 .10
-
딥 러닝 기술에서의 적대적 학습 기술 동향
정보과학회지
2018 .02
-
Pruning Deep Neural Networks Neurons for Improved Robustness against Adversarial Examples
Journal of KIISE
2023 .07
-
적대적 공격의 전이성 향상을 위한 이미지 왜곡 기법
전자공학회논문지
2022 .10
-
AI 모델의 적대적 공격 대응 방안에 대한 연구
한국컴퓨터정보학회 학술발표논문집
2023 .07
-
생성 모델 기반 적대적 공격의 전이성 향상을 위한 구분 모델의 특성 지도 마스킹 방법
대한전자공학회 학술대회
2022 .06
이 논문의 저자 정보
최근 본 자료
댓글(0)
0