基于语音性别分类的对抗样本研究

摘要

随着近些年来深度学习的不断发展与应用,语音性别识别广泛应用于深度网络并取得了快速的发展。然而,随着越来越多的研究发现,深度学习网络容易受到对抗样本的攻击,存在重大的安全性隐患。基于此,选取目前主流的人工神经网络,收集了TIMIT和SLR45两个数据集,实现了基于ANN的语音性别分类模型。根据定义的评价指标对FGSM、PGD和C&W 3种对抗样本生成方法性能和攻击效果进行了评价。实验结果表明,这3种对抗样本生成方法对ANN语音性别分类模型有较好的攻击效果,各方面表现良好,可为防御该类模型的安全性漏洞提供支持与依据。