遥感中的通用对抗样本：方法与基准
计算机视觉与模式识别
2022-07-19 v3
摘要
深度神经网络已在许多重要的遥感任务中取得巨大成功。然而，它们对对抗样本的脆弱性不应被忽视。在本研究中，我们首次在无需受害模型任何知识的情况下，系统分析了遥感数据中的通用对抗样本。具体而言，我们提出了一种新颖的黑盒对抗攻击方法，即 Mixup-Attack，及其简单变体 Mixcut-Attack，用于遥感数据。所提方法的关键思想是通过攻击给定替代模型浅层中的特征，在不同网络间寻找共同漏洞。尽管简单，所提方法能生成可迁移的对抗样本，以高成功率欺骗场景分类与语义分割任务中大多数最先进的深度神经网络。我们进一步提供了名为 UAE-RS 的数据集中生成的通用对抗样本，这是遥感领域首个提供黑盒对抗样本的数据集。我们希望 UAE-RS 可作为基准，帮助研究者在遥感领域设计对对抗攻击具有强鲁棒性的深度神经网络。代码与 UAE-RS 数据集可在线获取（https://github.com/YonghaoXu/UAE-RS）。
引用
@article{arxiv.2202.07054,
title = {Universal Adversarial Examples in Remote Sensing: Methodology and Benchmark},
author = {Yonghao Xu and Pedram Ghamisi},
journal= {arXiv preprint arXiv:2202.07054},
year = {2022}
}