用于遥感图像分类的云对抗样本生成
计算机视觉与模式识别
2024-09-24 v1
摘要
现有的针对遥感图像的对抗攻击方法大多仅添加对抗扰动或补丁，导致不自然的修改。云是遥感图像中常见的大气效应。在这些图像上生成云可以产生更符合人类感知的对抗样本。在本文中，我们提出了一种基于 Perlin 噪声的云生成攻击方法。常见的基于 Perlin 噪声的云生成是一个随机的、不可优化的过程，不能直接用于攻击目标模型。我们设计了一个 Perlin 梯度生成网络（PGGN），它以梯度参数向量作为输入，输出不同尺度的 Perlin 噪声梯度向量网格。经过基于梯度向量的一系列计算后，可以产生相应尺度的云掩码。然后，根据混合系数向量和缩放因子对这些云掩码进行加权求和，以产生最终的云掩码。梯度向量、系数向量和缩放因子被统称为云参数向量，从而将云生成转化为一个黑盒优化问题。采用差分进化（DE）算法求解云参数向量的最优解，实现了基于查询的黑盒攻击。详细的实验证实，该方法具有很强的攻击能力并实现了高查询效率。此外，我们分析了生成的对抗样本的迁移性及其在对抗防御场景中的鲁棒性。
引用
@article{arxiv.2409.14240,
title = {Cloud Adversarial Example Generation for Remote Sensing Image Classification},
author = {Fei Ma and Yuqiang Feng and Fan Zhang and Yongsheng Zhou},
journal= {arXiv preprint arXiv:2409.14240},
year = {2024}
}