遥感图像识别中的对抗样本
计算机视觉与模式识别
2020-03-04 v2
摘要
随着遥感技术在各领域的广泛应用，对遥感图像（RSI）识别的准确性与安全性要求也日益提高。近年来，由于深度学习在图像识别领域的快速发展，基于深度卷积神经网络（CNN）的RSI识别模型优于传统的手工特征技术。然而，CNN在展现其精确分类能力的同时也带来了安全问题。通过对输入图像添加极小的对抗扰动，可使CNN模型以极高置信度产生错误结果，且人眼无法察觉图像的修改。这种添加了对抗扰动的图像被称为对抗样本，其基于CNN模型识别结果的系统构成了严重的安全问题。本文首次分析了CNN模型下RSI识别的对抗样本问题。实验中，我们使用不同攻击算法来欺骗在多个RSI数据集上训练的多个高精度RSI识别模型。结果表明，RSI识别模型同样易受对抗样本攻击，且在同一RSI数据集上训练的不同结构模型具有不同脆弱性。对每个RSI数据集，特征数量也影响模型的脆弱性。多特征有利于防御对抗样本。进一步，我们发现RSI的被攻击类别具有攻击选择性属性。RSI对抗样本的误分类与原始类别在CNN特征空间中的相似性相关。此外，RSI识别中的对抗样本对遥感应用的安全性具有重要意义，展现出未来研究的巨大潜力。
引用
@article{arxiv.1910.13222,
title = {Adversarial Example in Remote Sensing Image Recognition},
author = {Li Chen and Guowei Zhu and Qi Li and Haifeng Li},
journal= {arXiv preprint arXiv:1910.13222},
year = {2020}
}
备注
12 pages