论 hyperspectral 图像对抗训练的重审
计算机视觉与模式识别
2026-03-31 v2
摘要
最近的研究表明，基于深度学习的高光谱图像（HSI）分类模型对对抗攻击极其脆弱，构成重大安全风险。虽然大多数方法试图通过优化网络结构来提升鲁棒性，但这些方法往往依赖定制化设计，扩展性有限，难以抵御强力攻击。为此，我们将对抗训练（AT）引入高光谱领域。然而，与常规 RGB 图像分类不同，直接将 AT 应用于 HSI 分类会引入独特挑战，因高维光谱特征和强烈的波段间相关性导致高光谱数据中，判别性信息依赖微妙的光谱语义和光谱-空间一致性，而这些信息对对抗扰动极其敏感。通过大量实证分析，我们观察到对抗扰动和对抗样本的非光滑本质会扭曲甚至消除重要的光谱语义信息。为缓解此问题，我们提出两种特定于高光谱的 AT 方法，称为 AT-HARL 和 AT-RA。具体而言，AT-HARL 利用光谱特征差异和类别分布比例设计新型损失函数，以缓解由对抗扰动导致的语义扭曲；而 AT-RA 引入光谱数据增强以提升光谱多样性，同时保持空间平滑性。在四个基准 HSI 数据集上的实验表明，所提方法在对抗攻击下表现竞争力，优于当前方法。
引用
@article{arxiv.2510.01014,
title = {Revisiting Adversarial Training under Hyperspectral Image},
author = {Weihua Zhang and Chengze Jiang and Minjing Dong and Jie Gui and Lu Dong and Zhipeng Gui and Yuan Yan Tang and James Tin-Yau Kwok},
journal= {arXiv preprint arXiv:2510.01014},
year = {2026}
}