一种面向SAR图像目标识别模型的对抗样本生成方法技术

本发明专利技术提供一种面向SAR图像目标识别模型的对抗样本生成方法，包括：得到基于属性散射中心的重建图像；生成初始的对抗样本；获取对抗样本中各像素点的偏移量；计算得到迭代后的对抗样本；获得输出分类结果；进行判定。本发明专利技术引入属性散射中心模型生成SAR图像的对抗样本(即属性散射中心模型作为图像域和回波域的介质被有效引入)，采用一种全新的空间变换思想生成对抗样本，而非现有技术中改变图像原有像素点生成对抗样本，通过本发明专利技术对抗样本生成方法成功率高，基于属性散射中心的重建图像指导生成的对抗样本聚焦于SAR图像中的强散射结构，生成的对抗样本的强散射点发生显著改变，明显优于现有技术。明显优于现有技术。明显优于现有技术。

【技术实现步骤摘要】
一种面向SAR图像目标识别模型的对抗样本生成方法


[0001]本专利技术涉及人工智能安全
，具体涉及一种面向SAR图像目标识别模型的对抗样本生成方法。

技术介绍

[0002]合成孔径雷达(SAR)自动目标识别广泛应用于军事和民用领域。
[0003]随着深度学习技术的发展，深度学习模型尤其是卷积神经网络极大地提升了SAR图像目标识别任务的性能。然而深度学习存在严重的对抗脆弱性问题。例如，对于输入图像的微小扰动会导致训练结果良好的分类模型将扰动后图像预测为完全错误的类别。研究人员将这种现象归因于深度学习模型中高维特征的线性表示，并将此现象命名为对抗攻击。由于SAR图像数据集规模较小，网络训练易过拟合且学习得到的特征鲁棒性差，SAR图像的深度学习模型存在较大的对抗攻击。
[0004]现阶段主流的对抗攻击技术主要分为优化类和生成类：
[0005]优化类对抗样本生成方法，该方法是指通过设定优化目标和度量函数，依据优化算法迭代生成符合优化目标的对抗样本，方法通常选取L
p
(p＝1,2,∞)范数作为度量函数，选取梯度下降、交替方向乘子法和启发式算法作为迭代优化算法。
[0006]生成类对抗样本生成方法，该方法应用端到端的生成对抗网络学习输入原始样本到被扰动样本间的映射，给定原始样本输入网络输出扰动样本。
[0007]针对自然图像分类模型的对抗攻击方法主要依据卷积神经网络的特性提出，辟如：JSMA算法根据卷积神经网络的高维特征线性表达特性，计算前向导数并构建显著图，选取改变后影响最大的像素点进行扰动；SparseFool算法利用CNN决策边界的低平均曲率，最小化对抗损失和决策边界距离损失，生成高质量的对抗样本。
[0008]由于独特的成像特性，区别于光学图像基本表达单元为像素点的事实，SAR图像基本表达单元是由距离向分辨率和方位向分辨率共同确定的分辨单元，针对像素点进行的扰动在SAR成像机理上的契合程度较差。目前针对SAR图像目标识别模型的对抗样本生成方法的研究主要聚焦于图像域像素点像素值的改变，SAR目标的主要语义特征包含强散射点、目标轮廓、电磁散射特征等，而语义特征由多像素之间的相对关系组成表征，SAR图像中像素点的改变对这些特征影响较小。由于传统SAR目标识别方法多基于上述语义特征提出，且可改变语义特征的多像素对抗扰动符合SAR图像分辨单元的基本特性，故此类对抗扰动可试图同时对目标识别的卷积神经模型和传统模型进行干扰，且更有可能完成物理域的实现。
[0009]综上所述，急需一种针对SAR图像的对抗样本的生成方法以解决现有技术中存在的问题。

技术实现思路

[0010]本专利技术目的在于提供一种面向SAR图像目标识别模型的对抗样本生成方法，引入属性散射中心模型生成SAR图像的对抗样本(即属性散射中心模型作为图像域和回波域的
介质被有效引入)，采用一种全新的空间变换思想生成对抗样本，而非现有技术中改变图像原有像素点生成对抗样本，通过本专利技术对抗样本生成方法成功率高，基于属性散射中心的重建图像指导生成的对抗样本聚焦于SAR图像中的强散射结构，生成的对抗样本的强散射点发生显著改变，明显优于现有技术。
[0011]本专利技术所采用的具体技术方案如下：
[0012]一种面向SAR图像目标识别模型的对抗样本生成方法，包括以下步骤：
[0013]步骤S1、输入原始图像x，运用遗传算法进行属性散射中心提取，得到属性散射中心参数集合；对属性散射中心进行重建后得到基于属性散射中心的重建图像x
′
；
[0014]步骤S2、生成初始的对抗样本，即x
adv
＝x，设定最大迭代次数Q，初始化当前迭代次数i为1；
[0015]步骤S3、根据对抗样本使用L
‑
BFGS算法最小化损失函数计算得到对抗样本中各像素点的偏移量f(n,m)；
[0016]步骤S4、根据步骤S3求得的对抗样本中各像素点的偏移量f(n,m)计算得到迭代后的对抗样本x
adv
；
[0017]步骤S5、将步骤S4所获得的迭代后的对抗样本x
adv
输入分类器H(x)中，得到输出分类结果，取i＝i+1；
[0018]步骤S6、进行判定，具体是：若输出分类结果不等于原始类别标签或i大于Q，则输出生成的对抗样本x
adv
；否则，返回步骤S3。
[0019]优选的，所述步骤S1包括以下步骤：
[0020]步骤S1.1、属性散射中心参数集合Θ的获得，具体包括以下步骤：
[0021]步骤
①
、对原始图像进行大津阈值分割得到目标区域图像；
[0022]步骤
②
、对目标区域中
‑
20dB以上区域进行分割，选出需要进行参数估计的诸多部件；
[0023]步骤
③
、使用遗传算法循环估计每个部件的参数，得到如下属性散射中心参数集合：
[0024][0025]其中：表示第i个属性散射中心的参数，A
i
为散射中心响应的幅度，α
i
表征散射中心响应对频率的依赖关系，x
i
和y
i
分别为散射中心在距离向和方位向的位置，L
i
表征分布散射中心长度，表征分布散射中心相对于SAR传感器的方位角，γ
i
表征局部散射中心的散射响应对方位角的依赖性，q为属性散射中心个数；
[0026]步骤S1.2、对属性散射中心进行重建得到基于属性散射中心的重建图像x
′
。
[0027]优选的，步骤S1.2具体包括以下步骤：
[0028]步骤
①
、对每个属性散射中心采用下式进行计算得到每个属性散射中心的响应E
i
：
[0029][0030]其中：j为虚数单位，f为频率，f
c
为雷达信号中心频率，为方位角，c是电波传输速度；sinc为抽样函数；
[0031]步骤
②
、对每个属性散射中心的E
i
进行加和得到各属性散射中心的总响应E；
[0032]步骤
③
、对E在x方向和y方向上均设计
‑
35dB的泰勒窗，属性散射中心成像结果E通过x方向和y方向设计泰勒窗相乘得到的滤波器；
[0033]步骤
④
、对滤波结果补零0至设定大小，通常为原始图片大小，经过2D
‑
IFFT得到基于属性散射中心的重建图像x
′
。
[0034]优选的，所述步骤S3中：L
‑
BFGS算法最小化损失函数如下所示：
[0035][0036]其中：表示对抗损失，用以限制生成对抗成功的样本，其表达式如下：x
′
为候选的生成对抗样本，t为待生成对抗样本的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向SAR图像目标识别模型的对抗样本生成方法，其特征在于，包括以下步骤：步骤S1、输入原始图像x，运用遗传算法进行属性散射中心提取，得到属性散射中心参数集合；对属性散射中心进行重建后得到基于属性散射中心的重建图像x
′
；步骤S2、生成初始的对抗样本，即x
adv
＝x，设定最大迭代次数Q，初始化当前迭代次数i为1；步骤S3、根据对抗样本使用L
‑
BFGS算法最小化损失函数计算得到对抗样本中各像素点的偏移量f(n,m)；步骤S4、根据步骤S3求得的对抗样本中各像素点的偏移量f(n,m)计算得到迭代后的对抗样本x
adv
；步骤S5、将步骤S4所获得的迭代后的对抗样本x
adv
输入分类器中，得到输出分类结果，取i＝i+1；步骤S6、进行判定，具体是：若输出分类结果不等于原始类别标签或i大于Q，则输出生成的对抗样本x
adv
；否则，返回步骤S3。2.根据权利要求1所述的面向SAR图像目标识别模型的对抗样本生成方法，其特征在于，所述步骤S1包括以下步骤：步骤S1.1、属性散射中心参数集合Θ的获得，具体包括以下步骤：步骤
①
、对原始图像进行大津阈值分割得到目标区域图像；步骤
②
、对目标区域中
‑
20dB以上区域进行分割，选出需要进行参数估计的诸多部件；步骤
③
、使用遗传算法循环估计每个部件的参数，得到如下属性散射中心参数集合：其中：表示第i个属性散射中心的参数，A
i
为散射中心响应的幅度，α
i
表征散射中心响应对频率的依赖关系，x
i
和y
i
分别为散射中心在距离向和方位向的位置，L
i
表征分布散射中心长度，表征分布散射中心相对于SAR传感器的方位角，γ
i
表征局部散射中心的散射响应对方位角的依赖性，q为属性散射中心个数；步骤S1.2、对属性散射中心进行重建得到基于属性散射中心的重建图像x
′
。3.根据权利要求2所述的面向SAR图像目标识别模型的对抗样本生成方法，其特征在于，步骤S1.2具体包括以下步骤：步骤
①
、对每个属性散射中心采用下式进行计算得到每个属性散射中心的响应E
i
：其中：j为虚数单位，f为频率，f
c
为雷达信号中心频率，为方位角，c是电波传输速...

【专利技术属性】
技术研发人员：孙浩，周隽凡，逯子豪，封斯嘉，
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：