本篇博客出于学习交流目的，主要是用来记录自己学习中遇到的问题和心路历程，方便之后回顾。过程中可能引用其他大牛的博客，文末会给出相应链接，侵删！
DeepFool算法
特点：两种黑箱算法，即UPSET和ANGRI
论文原文：UPSET and ANGRI : Breaking High Performance Image Classifiers
一些对抗样本的基础知识在这里就不赘述了，可以看我之前的博客。
先介绍两种算法的主要部分，具体网络结构以及共用同样的损失评价函数，在后面介绍。
UPSET: Universal Perturbations for Steering to Exact Targets
类标：
n
n
对抗扰动：，
j∈{1,2,⋯,n}
j
∈
{
1
,
2
,
⋯
,
n
}
即生成第j个目标分类的扰动
残差生成网络：
R
R
，
原始样本：
x
x
对抗样本：，生成公式如下
整体训练策略如下图所示，误差函数之后解释。
ANGRI: Antagonistic Network for Generating Rogue Images
原始样本：
x
x
正确类别：
目标类别：
t
t
，
对抗样本：
x^
x
^
生成公式如下
整体训练策略如下图所示，误差函数之后解释。
损失函数（以上两个方法都用的这个损失评估函数）
有个预训练的分类器
Ci
C
i
，表示对抗样本
x^
x
^
输出的分类概率
pi
p
i
，
pi=Ci（x^）
p
i
=
C
i
（
x
^
）
评价指标：
Targeted fooling rate (TFR)：
argmax(C(x^))=t≠cx
a
r
g
m
a
x
(
C
(
x
^
)
)
=
t
≠
c
x
，
x≈x^
x
≈
x
^
Misclassification rate (MR)：
argmax(C(x^))≠cx
a
r
g
m
a
x
(
C
(
x
^
)
)
≠
c
x
，
x≈x^
x
≈
x
^
Fidelity score (FS)：每个像素在每个通道下的平均残差范数
Confidence (C)：成功欺骗为目标类时的平均概率，是一个置信度指标。
