【技术实现步骤摘要】
本专利技术是一种基于可微渲染的遥感三维物理对抗样本生成方法，涉及遥感图像处理和深度学习的理论方法，属于遥感图像物理对抗。
技术介绍
1、随着大数据的涌现和计算机算力的提升，深度学习模型在各个领域逐渐发挥出重要作用。深度学习广泛的应用范围涵盖了图像处理、语音识别、自然语言处理、智能推荐、自动驾驶、遥感军事侦察等多个领域。在遥感军事侦察领域，近年来，以深度学习为代表的人工智能技术在逐渐向情报分析、指挥决策等军事领域渗透。
2、深度学习模型作为当前各个领域智能化、信息化的核心，在解决复杂问题方面取得了一定程度的成功，但是深度学习模型的安全性依然没有得到科学而合理的解释，深度神经网络的结果基于依赖大量外部是数据的训练，同时其自身结构和算法也会对结果产生不可忽视的影响。因此，攻击者可以通过修改数据等对深度网络进行攻击，这些类似的恶意行为被称为对抗攻击，能够导致模型输出错误结果的图像被称为对抗样本。只要微小的扰动就能颠覆先进的深度学习模型的预测结果，因此深度神经网络面对对抗攻击表现出脆弱性。随着研究的不断进行，新的对抗攻击、对抗防御算法...
【技术保护点】
1.一种基于可微渲染的遥感三维物理对抗样本生成方法，其特征在于，该方法的具体步骤如下：
2.根据权利要求1所述的一种基于可微渲染的遥感三维物理对抗样本生成方法，其特征在于：在步骤一中，通过三维数据集的模型纹理进行优化，生成具有对抗性纹理的三维对抗样本，优化过程输入的是ShapeNet中的包含原始三维模型和模型纹理贴图三维模型；对抗样本生成过程中，固定原始三维模型不变，经过优化得到具有对抗性纹理的贴图，将具有对抗性的贴图渲染到模型上，获得具有对抗性的三维对抗样本。
3.根据权利要求1所述的一种基于可微渲染的遥感三维物理对抗样本生成方法，其特征在于...
【技术特征摘要】
1.一种基于可微渲染的遥感三维物理对抗样本生成方法，其特征在于，该方法的具体步骤如下：
2.根据权利要求1所述的一种基于可微渲染的遥感三维物理对抗样本生成方法，其特征在于：在步骤一中，通过三维数据集的模型纹理进行优化，生成具有对抗性纹理的三维对抗样本，优化过程输入的是shapenet中的包含原始三维模型和模型纹理贴图三维模型；对抗样本生成过程中，固定原始三维模型不变，经过优化得到具有对抗性纹理的贴图，将具有对抗性的贴图渲染到模型上，获得具有对抗性的三维对抗样本。
3.根据权利要求1所述的一种基于可微渲染的遥感三维物理对抗样本生成方法，其特征在于：在步骤二中，取三维渲染数据集的车辆模型作为目标车辆模型，将模型和纹理输入可微渲染器中，得到渲染后车辆图像和位置掩膜，作为计算损失函数的标签；将车辆图像和真实遥感场景图像进行合成，获得遥感场景下目标车辆图像，将其输入对抗目标模型，得到检测结果，并与标签结合计算损失函数，对损失函数进行反向传播优化目标纹理，更新伪装，实现在二维数字空间生成三维物体对抗性纹理。
4.根据权利要求1或3所述的一种基于可微渲染的遥感三维物理对抗样本生成方法，其特征在于：在步骤二中，可微渲染器是基于pytorch3d的可微渲染器，该渲染器采用的是softrasterizer，即基于光栅化的可微分渲染；为了使得优化过程中梯度回传，采用基于光栅化的可微分渲染器；
5.根据权利要求1所述的一种基于可微渲染的遥感三维物理对抗样本生成方法，其特征在于：在步骤二中，目标检测器是任意目标检测模型，采用基于区域的快速卷积网络算法faster r-cnn作为目标检测器，模型结构如下所示：输入为经典遥感道路场景和车辆目标合成的遥感场景下目标车辆图像，输入大小为512×512×3；将图像输入卷积神经网络，进行特征提取；用rpn生成建议窗口，把建议窗口映射到卷积神经网络最后一层卷积的特征图上；通过roi pooling层使每个roi生成固定尺寸的特征图，利用其计算类别概率和预测检测框位置；卷积层用于提取输入图像的特征得到特征图；区域候选网络rpn用于生成建议框proposal，rpn包含四个子模块：
6.根据权利要求1所述的一种基于可微渲染的遥感三维物理对抗样本生...
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。