提升高光谱图像在多种攻击下的对抗鲁棒性
机器学习
2023-05-12 v4 密码学与安全
计算机视觉与模式识别
摘要
对高光谱图像(HSI)进行分类的语义分割模型易受对抗样本攻击。传统的对抗鲁棒性方法侧重于在受攻击数据上训练或重训练单一网络，然而在多种攻击存在时，这些方法相较于在每个攻击上单独训练的网络性能下降。为解决此问题，我们提出对抗判别集成网络(ADE-Net)，其聚焦于攻击类型检测与统一模型下的对抗鲁棒性，以在增强整体网络鲁棒性的同时最优保留各数据类型权重。在所提方法中，判别网络用于将按攻击类型分离的数据送入其特定的攻击专家集成网络。
引用
@article{arxiv.2210.16346,
title = {Improving Hyperspectral Adversarial Robustness Under Multiple Attacks},
author = {Nicholas Soucy and Salimeh Yasaei Sekeh},
journal= {arXiv preprint arXiv:2210.16346},
year = {2023}
}
备注
6 pages, 2 figures, 1 table, 1 algorithm