基于预训练去噪扩散模型的遥感通用对抗防御
计算机视觉与模式识别
2024-05-28 v3 图像与视频处理
摘要
深度神经网络(DNNs)已成为众多地球观测人工智能(AI4EO)应用中的关键解决方案。然而,它们对对抗样本的易感性构成了一项严峻挑战,损害了AI4EO算法的可靠性。本文提出了一种新颖的遥感影像通用对抗防御方法(UAD-RS),利用预训练扩散模型保护DNNs抵御具有异构模式的通用对抗样本。具体而言,开发了一个通用对抗净化框架,利用预训练扩散模型,通过引入高斯噪声并随后从对抗样本中净化扰动来缓解对抗扰动。此外,引入了自适应噪声水平选择(ANLS)机制,通过任务引导的Frechet Inception Distance(FID)排序策略为净化框架确定最优噪声水平,从而提升净化性能。因此,仅需一个预训练的扩散模型即可净化各数据集中具有异构模式的通用对抗样本,在无需对抗扰动先验知识的情况下显著减少多种攻击设置下的训练开销,同时保持高性能。在四个异构遥感数据集上针对场景分类和语义分割的实验结果表明,UAD-RS优于最先进的对抗净化方法,可对七种常见对抗扰动提供通用防御。代码与预训练模型已在线提供(https://github.com/EricYu97/UAD-RS)。
引用
@article{arxiv.2307.16865,
title = {Universal Adversarial Defense in Remote Sensing Based on Pre-trained Denoising Diffusion Models},
author = {Weikang Yu and Yonghao Xu and Pedram Ghamisi},
journal= {arXiv preprint arXiv:2307.16865},
year = {2024}
}