【技术实现步骤摘要】
基于深度学习高光谱图像分类模型稀疏对抗攻击方法
[0001]本专利技术涉及图像处理技术,具体涉及一种基于深度学习高光谱图像分类模型稀疏对抗攻击方法
。
技术介绍
[0002]近年来,卫星遥感取得重大突破,通过对传感器接收到的电磁波信号进行处理
、
成像与分析能够实现对地表目标的观测与识别,而高光谱成像则是将光谱分辨率细分到了
10
‑2λ
数量级范围内的光谱影像,高光谱遥感影像能够对全色或多光谱遥感影像中无法区分的地物目标进行识别,在气象
、
环境
、
农业和军事领域中具有重要意义
。
[0003]随着深度学习的发展,不断有研究者将深度学习方法引入到高光谱图像分类领域,提出基于深度神经网络的高光谱图像分类模型
。
但是由于缺乏对内部工作机理的理解与分析
,
深度神经网络模型作为“黑盒”本身具有脆弱性,这种脆弱性会极大地限制这类高光谱图像分类技术的实际应用
。
对现有基于深度神经网络的高光谱图像分类模型和方法进行对抗攻击研究是检测
、
验证和修复这种脆弱性的第一步,从而有效促进高光谱图像分类系统向可解释
、
可信
、
可靠发展
。
[0004]现有的高光谱图像分类对抗攻击研究局限于将普通图像的对抗攻击算法迁移至高光谱领域,忽略了高光谱图像所特有的光谱信息对攻击性能的影响
。
并且由于普通
R ...
【技术保护点】
【技术特征摘要】
1.
一种基于深度学习高光谱图像分类模型稀疏对抗攻击方法,其特征在于,包括以下步骤:步骤
S10、
数据预处理首先对高光谱图像进行特征归一化,接着对特征归一化后的数据采取边缘0填充方式,然后对每个像素都取其周围的像素点组成
s
×
s
大小的像素块,将所组成的每个像素点的光谱信息取出组成第三维度,最终去掉无意义的背景信息组成最终的训练数据集和测试数据集;步骤
S20、
使用
DARecNet
‑
BS
网络对训练数据集中的高光谱图像进行波段选择,学习不同波段之间的权重关系,获取权重值最高的波段子集,得到特定光谱波段图像
x
,从而实现被攻击目标波段的选择;步骤
S30、
采用生成对抗网络
GAN
结构实现稀疏波段扰动生成模块,然后训练稀疏波段扰动生成模块生成稀疏对抗攻击样本;所述稀疏波段扰动生成模块包括一个生成器
G、
一个鉴别器
D
和一个目标高光谱图像分类模型
f
;生成器
G
根据特定光谱波段图像
x
生成专门的扰动
G(x)
,鉴别器
D
判断输入的样本为干净样本还是对抗样本,目标模型
f
以稀疏波段对抗样本为输入,输出其损失
L
adv
;在生成器
G
和鉴别器
D
的不断对抗中使得生成的扰动性能不断提升;最终将生成的扰动
G(x)
添加到特定光谱波段图像
x
上得到对抗波段
x+G(x)
;步骤
S40、
将对抗样本输入目标高光谱分图像类网络完成攻击;将干净波段数据与对抗波段数据相结合恢复成原始数据尺寸得到稀疏波段对抗样本,将其输入目标高光谱图像分类模型
f
中得到最终的分类结果,预期会被错误分类为其他随机的标签,最终...
【专利技术属性】
技术研发人员:殷赵霞,汤立春,孔聪,苏航,罗斌,
申请(专利权)人:华东师范大学,
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。