基于后门特征提取优化的SAR图像抗后门分类方法与系统技术方案

本发明专利技术公开了一种基于后门特征提取优化的SAR图像抗后门分类方法与系统，该方法包括：构建基于网络块的后门特征提取子网络和分类子网络，对由上述两个子网络组成的SAR图像抗后门分类模型的神经网络架构参数、后门特征选择参数及剪枝位置参数进行粒子位置和速度编码，将SAR图像抗后门分类模型的参数量、后门攻击成功率和对正常样本的分类精度作为优化目标，设计基于三目标粒子群优化方法的离线优化平台，获得兼顾轻量化、高精度和强后门鲁棒性的SAR图像分类在线部署模型。本发明专利技术实现了SAR图像抗后门分类模型的自动优化设计，构建的后门特征提取子网络拓展了后门特征的处理方式，提升了模型轻量化、分类精度和后门鲁棒性。

【技术实现步骤摘要】

本专利技术涉及合成孔径雷达图像分类模型信息安全领域的兼顾模型轻量化、高分类精度和强后门鲁棒性等综合性能最优的自动深度学习，尤其涉及一种基于后门特征提取优化的sar图像抗后门分类方法与系统。

技术介绍

1、合成孔径雷达(synthetic aperture radar，sar)系统因其不受天气因素的影响，在任意时间段均可提供目标区域的高分辨率监控图像，已经被广泛应用于战场监视、火控、制导、导航、资源勘测、地图测绘、海洋监视、环境遥感等领域中。当这些领域中的sar图像分类模型发生分类错误或被恶意攻击时，极有可能为国家相关机构或部门的判断与决策提供错误的信息，从而导致灾难性的后果。所以在这些涉及国家重要战略部署的领域中，sar图像分类模型的分类精度和模型鲁棒性十分重要。同时，面对一些硬件资源存在限制的边缘计算场景，模型轻量化和模型性能之间往往难以取得良好的平衡。因此，面对越来越多的sar应用部署需求和国家战略安全要求，兼顾高分类精度、强鲁棒性和轻量化的sar图像分类系统亟需研发。

2、在sar图像分类领域，近年来兴起的深度学习技术为sar图像分类问题本文档来自技高网...

【技术保护点】

1.一种基于后门特征提取优化的SAR图像抗后门分类方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于后门特征提取优化的SAR图像抗后门分类方法，其特征在于，所述基于SAR系统的历史数据库构建离线投毒训练数据集、离线投毒验证数据集和离线正常验证数据集，具体包括：

3.根据权利要求1所述的基于后门特征提取优化的SAR图像抗后门分类方法，其特征在于，所述第一参数包括：粒子种群大小N，SAR图像抗后门分类模型起始分析通道数下限Clow，SAR图像抗后门分类模型起始分析通道数上限Cup，浅层网络块数量下限Sblocklow，浅层网络块数量上限Sblockup，浅...

【技术特征摘要】

1.一种基于后门特征提取优化的sar图像抗后门分类方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于后门特征提取优化的sar图像抗后门分类方法，其特征在于，所述基于sar系统的历史数据库构建离线投毒训练数据集、离线投毒验证数据集和离线正常验证数据集，具体包括：

3.根据权利要求1所述的基于后门特征提取优化的sar图像抗后门分类方法，其特征在于，所述第一参数包括：粒子种群大小n，sar图像抗后门分类模型起始分析通道数下限clow，sar图像抗后门分类模型起始分析通道数上限cup，浅层网络块数量下限sblocklow，浅层网络块数量上限sblockup，浅层网络块架构参数下限sgenotypelow，浅层网络块架构参数上限sgenotypeup，中层网络块数量下限mblocklow，中层网络块数量上限mblockup，中层网络块架构参数下限mgenotypelow，中层网络块架构参数上限mgenotypeup，深层网络块数量下限dblocklow，深层网络块数量上限dblockup，深层网络块架构参数下限dgenotypelow，深层网络块架构参数上限dgenotypeup，后门特征选择参数下限backdoorlow，后门特征选择参数上限backdoorup，剪枝位置参数下限pruninglow，剪枝位置参数上限pr...

【专利技术属性】
技术研发人员：曾国强，张宇，陆康迪，耿光刚，陈泯融，翁健，李理敏，
申请(专利权)人：暨南大学，
类型：发明
国别省市：