掩码空间-光谱自编码器是优异的高光谱防御者
计算机视觉与模式识别
2022-07-19 v1
摘要
深度学习方法为 hyperspectral image（HSI，高光谱图像）分析领域的发展作出了巨大贡献。然而，它也使得 HSI 分析系统易受对抗攻击。为此，本文基于自监督学习理论提出一种掩码空间-光谱自编码器（MSSA），以增强 HSI 分析系统的鲁棒性。首先，设计掩码序列注意力学习模块，沿光谱通道提升 HSI 分析系统的内在鲁棒性。接着，我们发展了一种具有可学习图结构的图卷积网络以建立全局像素级组合。如此，攻击效果会被各组合中所有相关像素分散，从而在空间层面实现更优的防御性能。最后，为提升防御可迁移性并解决标注样本有限的问题，MSSA 采用光谱重构作为前置任务，并以自监督方式拟合数据集。在三个基准上的综合实验验证了 MSSA 相较于 SOTA 高光谱分类方法与代表性对抗防御策略的有效性。
引用
@article{arxiv.2207.07803,
title = {Masked Spatial-Spectral Autoencoders Are Excellent Hyperspectral Defenders},
author = {Jiahao Qi and Zhiqiang Gong and Xingyue Liu and Kangcheng Bin and Chen Chen and Yongqian Li and Wei Xue and Yu Zhang and Ping Zhong},
journal= {arXiv preprint arXiv:2207.07803},
year = {2022}
}
备注
14 pages, 9 figures