遥感 transfer learning 的对抗性漏洞性
计算机视觉与模式识别
2025-11-14 v1 图像与视频处理
摘要
使用来自通用计算机视觉任务的预训练模型在遥感领域应用广泛，这显著降低了训练成本并提高了性能。然而，这种做法也会引入对下游任务的漏洞，其中可公开获取的预训练模型可用作代理来攻击下游模型。本文提出一种新的对抗性神经元操控方法，通过有选择地操控单个或多个预训练模型中的神经元来生成可迁移的扰动。与现有攻击方法不同，本方法无需领域特定信息，从而更具普适性和效率。通过针对多个脆弱神经元，扰动实现了卓越的攻击性能，揭示了深度学习模型的关键漏洞。在多样化的模型和遥感数据集上进行实验验证了所提方法的有效性。这种低访问权限的对抗性神经元操控技术凸显了 transfer learning 模型在面对安全关键型遥感任务时的重大安全风险，强调有urgency地需要在设计时提供更健壮的防御机制。
引用
@article{arxiv.2501.11462,
title = {On the Adversarial Vulnerabilities of Transfer Learning in Remote Sensing},
author = {Tao Bai and Xingjian Tian and Yonghao Xu and Bihan Wen},
journal= {arXiv preprint arXiv:2501.11462},
year = {2025}
}
备注
This work has been submitted to the IEEE for possible publication