基于SAR图像的内陆水体分割深度学习模型的对抗鲁棒性
图像与视频处理
2025-05-07 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
从合成孔径雷达（SAR）图像中分割内陆水体是洪水制图等多种应用所需的一项重要任务。虽然SAR传感器能在全天候条件下捕获高分辨率图像数据，但从SAR图像中区分水体与类水体表面并非易事。大型河流流域等内陆水体具有复杂的几何形状，这增加了分割的挑战。U-Net是一种广泛用于SAR图像水陆分割的深度学习模型。在实践中，通常使用人工标注来生成相应的水体掩膜作为真实值。由于数据投毒攻击，尤其是面对复杂几何形状时，图像的人工标注容易产生标签噪声。在本工作中，我们以对U-Net模型的对抗攻击形式模拟人工错误，并研究该模型对标注中人为错误的鲁棒性。我们的结果表明，U-Net在性能显著下降之前可以容忍一定程度的破坏。这一发现凸显了人工标注质量在决定分割模型有效性方面所起的关键作用。代码、新数据集以及用于鲁棒训练的对抗样本均已公开。（GitHub链接 - https://github.com/GVCL/IWSeg-SAR-Poison.git）
引用
@article{arxiv.2505.01884,
title = {Adversarial Robustness of Deep Learning Models for Inland Water Body Segmentation from SAR Images},
author = {Siddharth Kothari and Srinivasan Murali and Sankalp Kothari and Ujjwal Verma and Jaya Sreevalsan-Nair},
journal= {arXiv preprint arXiv:2505.01884},
year = {2025}
}
备注
21 pages, 15 figures, 2 tables