一种针对高光谱图像分类网络的对象级对抗攻击方法技术

本发明专利技术公开了一种针对高光谱图像分类网络的对象级对抗攻击方法，包括如下：步骤一

【技术实现步骤摘要】
一种针对高光谱图像分类网络的对象级对抗攻击方法


[0001]本专利技术属于图像处理
，具体涉及一种针对高光谱图像分类网络的对象级对抗攻击方法
。

技术介绍

[0002]遥感图像分类技术是理解土地覆盖物的重要组成部分
。
高光谱图像不仅可以描述土地覆盖的二维空间特征，还可以包含精细的光谱信息；因此，高光谱图像可以识别更精确的土地覆盖对象
。
深度学习技术已成为高光谱图像分类领域的主要研究方法
。
深度神经网络
(DNN)
探索了丰富互补的光谱空间特征，以进一步提高分类性能
。
[0003]然而，
DNN
对抗样本的脆弱性受到广泛关注
。
在干净样本中添加难以察觉的扰动可能会使
DNN
输出错误的预测
。
这个问题促进了对抗攻击和防御的研究，研究人员评估
DNN
所面临的风险并进一步提高
DNN
的稳健性
。
大多数对抗攻击方法在自然图像上都取得了优异的攻击效果，但在高维空间中进一步应用这些方法生成高光谱图像对抗样本仍然存在以下两个问题：
[0004]1、
高光谱图像数据的迁移性差：对抗攻击方法可以分为两类：白盒攻击和黑盒攻击
。
在真实的场景中，黑盒攻击更具挑战性
。
基于传输的黑盒攻击是现在的关注热点，旨在利用白盒攻击方法生成的对抗样本的迁移性
。
现有的研究主要集中在对单波段或三波段图像的对抗攻击上，高维图像数据的对抗攻击方法的研究较少
。
与自然图像相比，高光谱包含额外的光谱维度，并且具有光谱冗余
。
然而，现有的攻击方法通常忽略谱带之间的关系，迁移效果不尽如人意
。
[0005]2、
对基于图像处理的防御的鲁棒性较差：大多数对抗攻击方法都是以像素级的方式实现的，即独立地向每个像素添加扰动
。
然而，像素级扰动对于基于图像处理的防御来说并不鲁棒
。
在高光谱图像分类任务中，高光谱图像常受到图像预处理技术的影响，像素级的扰动可以轻易被去除
。

技术实现思路

[0006]本专利技术的目的是提供一种针对高光谱图像分类网络的对象级对抗攻击方法，提高对抗样本的迁移性和鲁棒性，达到更好的攻击效果
。
[0007]本专利技术采用以下技术方案：一种针对高光谱图像分类网络的对象级对抗攻击方法，包括以下步骤：
[0008]步骤一
、
对原始高光谱图像逐像素进行图像分块，得到多个干净样本；
[0009]步骤二
、
输入多个干净样本，根据输入的多个干净样本尺寸，随机生成与干净样本尺寸相一致的初始扰动，与多个干净样本相加，得到初始的高光谱图像的对抗样本；
[0010]步骤三
、
迭代更新扰动：
[0011]步骤
3a、
对原始高光谱图像采用主成分分析法进行光谱降维，对降维后的图像使用
SLIC
超像素分割方法生成
2D
过分割空间模板；
[0012]步骤
3b、
输入所述步骤二中的初始扰动，根据所述
2D
过分割空间模板，将所述初始扰动的每个像素值用其对应超像素内的扰动平均值替代，获得空间局部平滑的扰动；
[0013]步骤
3c、
更新所述步骤
3b
中的空间局部平滑的扰动并剪裁，得到更新后的空间局部平滑的扰动；
[0014]步骤
3d、
以所述步骤重复
3c
中的更新后的空间局部平滑的扰动作为输入，重复步骤
3b
和
3c
，迭代更新，得到受到
2D
过分割空间模板约束的扰动；
[0015]步骤
4、
迭代更新受到
2D
过分割空间模板约束的扰动：
[0016]步骤
4a、
对原始高光谱图像使用
K
均值聚类方法生成
1D
过分割光谱模板；
[0017]步骤
4b、
输入步骤
3d
中生成的受到
2D
过分割空间模板约束的扰动，根据
1D
过分割光谱模板，获得光谱维局部平滑的扰动；
[0018]步骤
4c、
更新并剪裁光谱维局部平滑的扰动，得到更新的光谱维局部平滑的扰动；
[0019]步骤
4d、
以所述步骤
4c
中生成的更新的光谱维局部平滑的扰动作为输入，重复步骤
4b
～
4c
，迭代更新，得到受
2D
过分割空间模板和
1D
过分割光谱模板约束的最终扰动；
[0020]步骤
5、
将所述最终扰动与干净样本相加，得到最终的高光谱图像对抗样本
。
[0021]进一步地，在步骤
3b
中，采用公式
(A)
获得空间局部平滑的扰动，如下所示：
[0022][0023]其中：表示第
m
个超像素内的第
n
个扰动被该超像素内的扰动平均值所替代；
[0024]δ
i
表示第
i
次迭代的扰动；
[0025]表示根据
SLIC
超像素分割生成
2D
过分割空间模板的第
m
个超像素内的第
n
个空间像素分类结果；
[0026]i
表示第
i
次迭代
。
[0027]进一步地，在步骤
4b
中，采用公式
(B)
得到更新后的空间局部平滑的扰动，如下所示：
[0028][0029]其中：
δ
i+1
表示第
i+1
次迭代的扰动；
[0030]clip
ε
表示将扰动限制在
[
‑
ε
,
ε
]内，
ε
为攻击强度，取值为
0.01
～
0.1
；
[0031]α
表示限制梯度与梯度范数的比值的参数，取值为
1.0
；
[0032]J
表示损失函数；
[0033]x
表示多个干净样本；
[0034]y
表示标签；
[0035]f(x+
δ
i
)
表示多个干净样本
x
加上扰动
δ
i
后模型的分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种针对高光谱图像分类网络的对象级对抗攻击方法，其特征在于，包括以下步骤：步骤一
、
对原始高光谱图像逐像素进行图像分块，得到多个干净样本；步骤二
、
输入多个干净样本，根据输入的多个干净样本尺寸，随机生成与干净样本尺寸相一致的初始扰动，与多个干净样本相加，得到初始的高光谱图像的对抗样本；步骤三
、
迭代更新扰动：步骤
3a、
对原始高光谱图像采用主成分分析法进行光谱降维，对降维后的图像使用
SLIC
超像素分割方法生成
2D
过分割空间模板；步骤
3b、
输入所述步骤二中的初始扰动，根据所述
2D
过分割空间模板，将所述初始扰动的每个像素值用其对应超像素内的扰动平均值替代，获得空间局部平滑的扰动；步骤
3c、
更新所述步骤
3b
中的空间局部平滑的扰动并剪裁，得到更新后的空间局部平滑的扰动；步骤
3d、
以所述步骤重复
3c
中的更新后的空间局部平滑的扰动作为输入，重复步骤
3b
和
3c
，迭代更新，得到受到
2D
过分割空间模板约束的扰动；步骤
4、
迭代更新受到
2D
过分割空间模板约束的扰动：步骤
4a、
对原始高光谱图像使用
K
均值聚类方法生成
1D
过分割光谱模板；步骤
4b、
输入步骤
3d
中生成的受到
2D
过分割空间模板约束的扰动，根据
1D
过分割光谱模板，获得光谱维局部平滑的扰动；步骤
4c、
更新并剪裁光谱维局部平滑的扰动，得到更新的光谱维局部平滑的扰动；步骤
4d、
以所述步骤
4c
中生成的更新的光谱维局部平滑的扰动作为输入，重复步骤
4b
～
4c
，迭代更新，得到受
2D
过分割空间模板和
1D
过分割光谱模板约束的最终扰动；步骤
5、
将所述最终扰动与干净样本相加，得到最终的高光谱图像对抗样本
。...

【专利技术属性】
技术研发人员：石程，张梦馨，赵明华，吕志勇，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：