基于热辐射建模的红外目标检测知识引导对抗训练

在复杂环境中，红外目标检测具有广泛的适用性和稳定性。然而，红外目标检测对常见损坏和对抗性示例十分脆弱，可能带来安全风险。为提高红外目标检测的鲁棒性，当前方法大多采用数据驱动思想，仅在表面上驱动网络拟合训练数据，而未特别考虑红外图像的独特特征，导致鲁棒性有限。本文我们重新审视红外物理知识，发现不同类别之间的相对热辐射关系可被视为在对抗性示例和常见损坏的复杂场景下可靠的知识来源。因此，我们基于不同类别灰度值的排序秩关系，对热辐射关系进行理论建模，并进一步量化各种类别间热辐射关系的稳定性。基于上述理论框架，我们提出了一种用于红外目标检测的知识引导对抗训练 (KGAT)，将红外物理知识嵌入对抗训练过程中，对预测结果进行优化，使其符合实际物理法则。在三个红外数据集和六个主流红外目标检测模型上的大量实验表明，KGAT 在提高干净准确率以及抵抗对抗攻击和常见损坏方面均显著有效。