利用三维结构不变变换与加权中间特征差异提升高光谱图像分类的对抗迁移性
计算机视觉与模式识别
2025-08-20 v2 图像与视频处理
摘要
深度神经网络（DNN）易受对抗攻击，这对基于DNN的高光谱图像（HSI）分类构成安全挑战。针对自然图像设计了许多对抗攻击方法。然而，与自然图像不同，HSI包含高维丰富的光谱信息，为生成对抗样本带来了新的挑战。基于HSI的特定特征，本文提出了一种利用三维结构不变变换和加权中间特征差异来增强HSI分类对抗样本迁移性的新方法。该方法在保持HSI结构不变的前提下，将图像在空间和光谱维度上分块。然后对每个块施加多种变换以增加输入多样性并减轻对替代模型的过拟合。此外，还设计了加权中间特征差异损失，利用原始样本与对抗样本中间特征的差异来约束扰动方向，通过放大原始样本的特征图并为不同特征通道分配不同权重，以破坏对HSI分类影响更大的特征。大量实验表明，所提方法生成的对抗样本在三个公开HSI数据集上实现了更有效的对抗迁移性。此外，该方法即使在防御策略下仍能保持鲁棒的攻击性能。
引用
@article{arxiv.2506.10459,
title = {Boosting Adversarial Transferability for Hyperspectral Image Classification Using 3D Structure-invariant Transformation and Weighted Intermediate Feature Divergence},
author = {Chun Liu and Bingqian Zhu and Tao Xu and Zheng Zheng and Zheng Li and Wei Yang and Zhigang Han and Jiayao Wang},
journal= {arXiv preprint arXiv:2506.10459},
year = {2025}
}