感知不确定性的 SAR ATR：通过贝叶斯神经网络防御对抗攻击
计算机视觉与模式识别
2024-03-28 v1
摘要
对抗攻击已经证明了合成孔径雷达（SAR）自动目标识别（ATR）系统中机器学习（ML）图像分类器的脆弱性。对抗攻击可以通过扰动输入 SAR 图像（例如，在地面物体上附加少量散射体）来欺骗分类器做出错误的预测。因此，开发能够利用 ML 分类器内在不确定性的鲁棒 SAR ATR 系统以检测潜在对抗攻击，从而有效地向人类决策者发出警报，是至关重要的。在本文中，我们提出了一种新颖的感知不确定性的 SAR ATR 方法用于检测对抗攻击。具体而言，我们利用贝叶斯神经网络（BNN）在执行具有可量化认知不确定性的图像分类方面的能力，来衡量每个输入 SAR 图像的置信度。通过评估不确定性，当输入 SAR 图像可能是对抗生成时，我们的方法会发出警报。同时，我们还生成视觉解释，揭示 SAR 图像中可能存在对抗散射体的特定区域，从而通过提供对抗攻击的证据线索来辅助人类决策。在 MSTAR 数据集上的实验表明，我们的方法能够识别超过 80% 的对抗性 SAR 图像，且误报率低于 20%，并且我们的视觉解释能够在对抗性 SAR 图像中识别出高达 90% 以上的散射体。
引用
@article{arxiv.2403.18318,
title = {Uncertainty-Aware SAR ATR: Defending Against Adversarial Attacks via Bayesian Neural Networks},
author = {Tian Ye and Rajgopal Kannan and Viktor Prasanna and Carl Busart},
journal= {arXiv preprint arXiv:2403.18318},
year = {2024}
}