FACTUAL：一种基于对比学习的鲁棒SAR图像分类新框架
计算机视觉与模式识别
2024-04-05 v1 机器学习
摘要
用于合成孔径雷达(SAR)自动目标识别(ATR)的深度学习(DL)模型虽然性能有所提升，但已被证明极易受到对抗攻击的影响。现有工作通过在对抗样本上训练模型来提升鲁棒性。然而，由于主要关注随机操纵图像的攻击，这些工作忽略了此类攻击在现实世界中的可行性。本文提出了 FACTUAL，一种用于对抗训练和鲁棒 SAR 分类的新型对比学习框架。FACTUAL 包含两个组件：(1) 与现有工作不同，一种结合现实物理对抗攻击（如 OTSA）构建监督对抗预训练网络的新型扰动方案。该网络利用类别标签将干净图像和扰动图像聚类到更具信息量的特征空间中。(2) 级联在编码器之后的线性分类器，利用计算所得的表示预测目标标签。通过在干净样本和对抗样本上对模型进行预训练和微调，我们表明模型在两种情况下均实现了高预测精度。我们的模型在干净样本上达到 99.7% 的准确率，在扰动样本上达到 89.6% 的准确率，均优于先前 state-of-the-art 方法。
引用
@article{arxiv.2404.03225,
title = {FACTUAL: A Novel Framework for Contrastive Learning Based Robust SAR Image Classification},
author = {Xu Wang and Tian Ye and Rajgopal Kannan and Viktor Prasanna},
journal= {arXiv preprint arXiv:2404.03225},
year = {2024}
}
备注
2024 IEEE Radar Conference