【技术实现步骤摘要】
一种基于自监督学习的遥感图像分类网络鲁棒性提升方法
[0001]本专利技术涉及深度学习和遥感的交叉领域,具体涉及一种基于自监督学习的遥感图像分类网络鲁棒性提升方法。
技术介绍
[0002]近年来,神经网络在计算机视觉和自然语言处理等多个领域中取得了突破性的成绩。在遥感图像分类应用中,神经网络不可避免的作用于各种未知的、包含大量不同噪声的遥感数据集,虽然这些噪音对于人眼识别没有影响,但是它们往往能诱导深度神经网络做出错误的判断,这对神经网络在遥感图像分类上的应用构成了严重的安全威胁。
[0003]为何人眼无法感知的微小噪音会造成深度神经网络做出完全错误的判断,神经网络分类和判断时采取的依据是什么,以及如何进一步提升深度学习模型的稳定性和表达能力,这些都凸显了可解释性深度学习的重要性。训练鲁棒的、可解释的深度神经网络成为更高的追求。
[0004]与此同时,随着遥感事业的快速发展,大量遥感数据集不断涌现。人工标注费时费力且难以与遥感数据量的高速增加相匹配,大量未标注的数据集该如何利用,如何进一步提升遥感图像分类神经网络的鲁棒性和表达能力,这些都凸显了自监督学习的潜力和重要性。因此在最近的研究中,通过自监督学习提升模型的综合性能得到了高度重视。
[0005]在此背景下,为了提升遥感图像分类模型对于对抗样本的防御能力,大量对抗防御方法被提出,根据梯度回传一些学者提出了梯度掩盖(gradient masking),将模型梯度变为不可计算或者不可求导,从而避免常规的基于梯度的攻击方法。但是,这些基于梯度遮掩 ...
【技术保护点】
【技术特征摘要】
1.一种基于自监督学习的遥感图像分类网络鲁棒性提升方法,其特征在于,包括以下步骤:步骤S1:对无标签遥感图像数据进行预处理,然后将预处理后的数据复制成两份,一份利用孪生网络模型进行对抗攻击,制作对抗样本数据集,另一份通过数据扩增得到干净样本数据集;步骤S2:将干净样本数据集通过孪生网络中的目标网络得到其特征向量,将对抗样本数据集通过孪生网络中的在线网络得到其特征向量,然后获得两特征向量的对比损失;步骤S3:更新孪生网络:首先在线网络根据对比损失进行梯度回传更新,然后利用新得到的在线网络与原目标网络进行指数移动平均,更新孪生网络中的目标网络,进而实现整个孪生网络模型的更新;步骤S4:迭代执行上述步骤S1至步骤S3共计c轮,完成提升孪生网络模型鲁棒性的训练;其中c为正整数;步骤S5:提取训练完c轮后的孪生网络模型中的在线网络中的深度遥感图像编码器网络,并对深度遥感图像编码器网络添加全连接层构成分类模型,再利用有标签数据进行微调,最终得到鲁棒的分类模型。2.根据权利要求1所述的基于自监督学习的遥感图像分类网络鲁棒性提升方法,其特征在于,对抗攻击的方式包括以下两种:一种是基于梯度迭代的PGD攻击,具体如式1):其中,为预处理后的数据x沿其在孪生网络中的梯度方向迭代移动n次得到的对抗样本,表示以为中心、S为半径的随机球投影,ε为扰动限制,α为攻击步长,L
θ,ξ
为孪生网络模型对比损失,ξ为目标网络参数,θ为在线网络参数;另一种是基于自监督伪梯度的SSP攻击,具体如式2)
‑
式3):式3):其中,ψ为在线网络中的深度遥感图像编码器网络,为深度遥感图像编码器网络的输出,为预处理后的数据x沿其在深度遥感图像编码器网络中的梯度方向迭代移动n次得到的对抗样本,α为攻击步长,n表示梯度迭代的次数,∞代表攻击在无穷范数的限制下进行。3.根据权利要求1所述的基于自监督学习的遥感图像分类网络鲁棒性提升方法,其特征在于,所述在线网络由编码器、投影器和预测器组成,所述目标网络由编码器和投影器组成,在线网络和目标网络的初始参数做不同设置。4.根据权利要求1所述的基于自监督学习的遥感图像分类网络鲁棒性提升方法,其特征在于,使用特征向量的欧氏距离作为对比损失,具体如式4):其中,L
θ,ξ
为对比损失,q为目标网络,ξ为目标网络参数,f为在线网络,θ为在线网络参
数,为对抗样本...
【专利技术属性】
技术研发人员:孙浩,徐延杰,雷琳,计科峰,匡纲要,
申请(专利权)人:中国人民解放军国防科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。