通过局部混合与 Logits 优化生成可迁移对抗样本以用于遥感目标识别
计算机视觉与模式识别
2025-09-10 v1 人工智能
摘要
深度神经网络易受对抗攻击，对其在遥感应用中的部署构成重大安全威胁。对抗攻击的研究不仅揭示了模型漏洞，也为增强鲁棒性提供了关键见解。尽管当前已提出基于混合的策略来提高对抗样本的迁移性，但它们要么执行全局混合，要么直接交换图像中的某个区域，这可能破坏全局语义特征并误导对抗样本的优化。此外，它们依赖交叉熵损失进行扰动优化，导致迭代更新过程中梯度减小，损害对抗样本质量。为了解决这些局限性，我们关注非目标攻击，并提出了一种通过局部混合与 logits 优化的新框架。首先，我们提出了一种局部混合策略以生成多样但语义一致的输入。与全局混合两幅图像的 MixUp 和将图像拼接在一起的 MixCut 不同，我们的方法仅混合局部区域以保留全局语义信息。其次，我们将目标攻击中的 logit 损失适配到非目标场景，缓解了交叉熵损失的梯度消失问题。第三，应用扰动平滑损失以抑制高频噪声并增强迁移性。在 FGSCR-42 和 MTARSI 数据集上的大量实验表明，该方法在 6 个代理模型上超越了 12 种最先进的方法。值得注意的是，以 ResNet 作为 MTARSI 上的代理模型，我们的方法在黑盒攻击成功率上实现了 17.28% 的平均提升。
引用
@article{arxiv.2509.07495,
title = {Generating Transferrable Adversarial Examples via Local Mixing and Logits Optimization for Remote Sensing Object Recognition},
author = {Chun Liu and Hailong Wang and Bingqian Zhu and Panpan Ding and Zheng Zheng and Tao Xu and Zhigang Han and Jiayao Wang},
journal= {arXiv preprint arXiv:2509.07495},
year = {2025}
}