科研之友
微信
新浪微博
Facebook
分享链接
摘要
近年来，针对说话人识别模型的对抗攻击引起了广泛的关注，对说话人识别系统的安全构成了严重的威胁。为了解决现有的声纹对抗样本检测方法参数量过大、鲁棒性差的问题，提出一个声纹对抗样本检测模型e＿Xception，该模型以Xception为主干网络，嵌入高效通道注意力（Efficient Channel Attention， ECA）模块，充分提取语音特征。通过合理减少网络模型的宽度，设计了一个轻量级网络模型e＿halfXception，减少参数量的同时，仍保持较高的精度。最后，提出一种高频掩码的语音数据增强策略HF-Mask，提高模型的泛化性。实验证明，在对FGSM、BIM、PGD、MI-FGSM、C&W、FAKEBOB六种对抗样本的检测中，取得了较高的准确率，优于其他检测方法，并对模型开展了未知攻击算法、未知目标模型、未知扰动程度的鲁棒性研究， 验证了模型的泛化能力。
