基于真实散射体的合成孔径雷达图像分类器对抗攻击
计算机视觉与模式识别
2023-12-06 v1
摘要
对抗攻击凸显了基于机器学习的合成孔径雷达（SAR）自动目标识别（ATR）任务分类器的脆弱性。对抗攻击通过扰动地面目标的SAR图像，使分类器被误导并做出错误预测。然而，许多现有攻击技术依赖于对SAR图像的任意篡改，而忽视了在真实世界SAR图像上实施攻击的可行性。相反，对抗攻击应能通过物理操作实现，例如，在地面目标周围放置额外的虚假物体作为散射体，以扰动SAR图像并欺骗SAR ATR。本文提出了一种基于散射体的物理对抗攻击方法——目标上散射体攻击（OTSA）。为确保其物理执行的可行性，我们对散射体的放置位置施加了约束。具体而言，我们限制散射体只能放置在目标上，而不能放置在阴影区域或背景中。为实现这一点，我们引入了基于高斯核的定位评分，并为我们的OTSA攻击构建了一个优化问题。通过使用梯度上升法求解该优化问题，OTSA可以生成一个参数向量，用于描述散射体的位置、形状、大小和幅度，从而指导物理执行攻击，以误导SAR图像分类器。实验结果表明，在定位约束下，与现有方法相比，我们的攻击获得了显著更高的成功率。
引用
@article{arxiv.2312.02912,
title = {Realistic Scatterer Based Adversarial Attacks on SAR Image Classifiers},
author = {Tian Ye and Rajgopal Kannan and Viktor Prasanna and Carl Busart and Lance Kaplan},
journal= {arXiv preprint arXiv:2312.02912},
year = {2023}
}