对抗攻击能够生成与原图非常接近，但被神经网络以高置信度错分的样本，对于网络的稳健性分析与提升都具有重要的意义，成为了近年来的研究重点。当前大部分对抗攻击属于白盒攻击，即需要完全知道被攻击网络的参数与特性。黑盒攻击的研究取得了一些进展，但仍需多次访问黑盒模型，或依赖被攻击网络与己方网络间的强相似性。因此，迄今的攻击方法，无法产生通用攻击样本数据库。

通过对网络共同语义弱点的分析，我们成功实现了对未知网络的纯黑箱攻击，从而生成了对若干网络同时起到破坏作用的对抗样本。由此，我们对 ImageNet 的部分图像进行了攻击，生成了 1000 类共 96020 张对抗样本。这些样本平均在每个像素上误差4.2个灰度值，但却成功欺骗了在 ImageNet 上进行训练并且达到很好效果的神经网络。主流的 VGG, ResNet, Inception, Xception, DenseNet 等的Top-1识别错误率（即攻击成功率）大多能够达到 90% 以上。

我们将这个数据库命名为 DAmageNet，但其目的并不仅仅是对神经网络进行攻击，更是为发掘网络共有问题、测试和提升神经网络稳健性提供良好的数据基础。

欢迎各位同仁在 DAmageNet 进行测试，与我们讨论任何有关问题。我们也将持续对 DAmageNet 进行改进和扩充。

【下载页面】【说明文档】