面向深度学习野火预测模型的对抗鲁棒性
计算机视觉与模式识别
2025-04-08 v3 机器学习
摘要
快速增长的野火最近毁灭了社会财产，凸显了加速救援行动的早期警报系统的关键需求。基于摄像头的深度神经网络（DNN）烟雾检测为野火预测提供了有前景的解决方案。然而，烟雾在时间和空间上的稀缺性限制了训练数据的规模，引发模型过拟合和偏差问题。当前的DNN（主要为卷积神经网络CNN和变换器）因架构差异而使鲁棒性评估复杂化。为此，我们引入WARP（Wildfire Adversarial Robustness Procedure），即首个针对野火检测模型对抗鲁棒性评估的模型无关框架。WARP通过图像全局和局部扰动生成对抗样本来解决数据多样性内在限制；全局和局部攻击分别对图像输入叠加高斯噪声和PNG贴片，适用于CNN和变换器，同时生成逼真的对抗场景。使用WARP，我们评估了实时的CNN和变换器，发现其关键脆弱性。在全局攻击下，变换器时常表现出70%以上的精度下降；在局部攻击中，两者都难以区分类云的PNG贴片与真实烟雾。为增强模型鲁棒性，我们基于WARP的方法和结果提出了四种野火专用数据增强技术，这些技术多样化了烟雾图像数据，提高了模型精度和鲁棒性。这些突破性进展标志着发展可靠野火早期警报系统的重要一步，这可能是我们第一道防御野火毁灭的防线。
引用
@article{arxiv.2412.20006,
title = {Adversarial Robustness for Deep Learning-based Wildfire Prediction Models},
author = {Ryo Ide and Lei Yang},
journal= {arXiv preprint arXiv:2412.20006},
year = {2025}
}