【技術實現(xiàn)步驟摘要】
本專利技術涉及雷達圖像應用安全領域，尤其涉及一種基于元對抗去斑網(wǎng)絡的雷達圖像對抗樣本生成與目標檢測攻擊方法。
技術介紹
1、合成孔徑雷達(sar)作為一種主動微波傳感器，具備全天時、全天候對地觀測成像能力。其在民用和軍用領域取得了眾多成功應用，涉及災害檢測、土地覆蓋制圖、目標檢測與識別等。近年來，雷達成像技術發(fā)展迅猛，sar圖像的分辨率顯著提升，如何高效準確的從海量高分辨率sar圖像中檢測出人造目標受到越來越多的關注。隨著sar目標檢測數(shù)據(jù)集的擴大，基于深度學習的目標檢測算法得到快速發(fā)展，并取得了巨大的成功。受限于sar成像機理，相干斑噪聲始終存在，這損壞了檢測算法的性能。為了抑制噪聲干擾，級聯(lián)相干斑濾波與目標檢測的一體化算法逐步得到了關注，并取得了顯著的性能提升。然而，最近的研究表明深度神經(jīng)網(wǎng)絡容易受到對抗樣本的攻擊，通過向良性樣本中添加肉眼難察覺的擾動即可使其預測出錯。這一現(xiàn)象引起了人們對當前一體化深度學習算法安全性的關注。本專利技術針對當前級聯(lián)濾波與檢測的一體化方法開展了對抗攻擊，提出了一種基于元對抗去斑網(wǎng)絡的雷達圖像對抗樣本生成與目標檢測攻擊方法。
技術實現(xiàn)思路
1、針對現(xiàn)有技術存在的不足，本專利技術提供一種基于元對抗去斑網(wǎng)絡的雷達圖像對抗樣本生成與目標檢測攻擊方法。
2、為實現(xiàn)上述目的，本專利技術采用的技術方案如下：
3、一種基于元對抗去斑網(wǎng)絡的雷達圖像對抗樣本生成與目標檢測攻擊方法，包括：
4、對于光學圖像數(shù)據(jù)集，基于相干斑統(tǒng)計模型，
5、基于構建的仿真相干斑濾波數(shù)據(jù)集訓練去斑網(wǎng)絡，結合真實sar檢測數(shù)據(jù)集，構建真實sar圖像目標檢測與濾波數(shù)據(jù)集；
6、構建元對抗去斑網(wǎng)絡訓練框架，使用真實sar圖像目標檢測與濾波數(shù)據(jù)集訓練元對抗去斑網(wǎng)絡模型；
7、使用訓練好的元對抗去斑網(wǎng)絡模型對原始sar圖像進行對抗去斑處理。
8、進一步地，所述構建仿真的相干斑濾波數(shù)據(jù)集包括以下步驟：
9、以光學圖像數(shù)據(jù)集為基礎，根據(jù)相干斑統(tǒng)計模型對光學圖像數(shù)據(jù)集中的第 v張圖像構建等效視數(shù)為的仿真相干斑圖像，構成訓練數(shù)據(jù)對；
10、其中，相干斑統(tǒng)計模型為
11、
12、表示圖像尺寸，為仿真相干斑圖像，表示hadamrd積，是光學圖像數(shù)據(jù)圖像，是相干斑；在服從單位均值以及方差為的gamma分布情況下，的概率密度分布為
13、
14、其中，表示gamma分布，是光學圖像成像過程中的視數(shù)；
15、光學圖像數(shù)據(jù)集中的所有訓練數(shù)據(jù)對構成仿真的相干斑濾波數(shù)據(jù)集。
16、進一步地，所述構建真實sar圖像目標檢測與濾波數(shù)據(jù)集包括以下步驟：
17、基于構建的仿真相干斑濾波數(shù)據(jù)集訓練去斑網(wǎng)絡，并加載去斑網(wǎng)絡訓練好的權重；
18、通過去斑網(wǎng)絡訓練好的權重對真實sar檢測數(shù)據(jù)集中的第 r張圖像進行推理得到對應的去斑圖像，構成真實sar檢測數(shù)據(jù)集數(shù)據(jù)對；真實sar檢測數(shù)據(jù)集中的所有數(shù)據(jù)對構成真實sar圖像目標檢測與濾波數(shù)據(jù)集。
19、進一步地，所述構建元對抗去斑網(wǎng)絡訓練框架包括：
20、基于給定包含 u個代理檢測模型的模型集，隨機抽取次，每次抽取 t+1個代理檢測模型，構成個任務,每個任務中還包括從真實sar檢測數(shù)據(jù)集隨機抽取的 k張圖像，每張圖像看作一個訓練樣本,在第 i個任務中,訓練樣本記為，；
21、每個任務包含元訓練階段以及元測試階段，以元訓練階段以及元測試階段構建元對抗去斑網(wǎng)絡訓練框架；
22、每個任務中，將抽取到的前 t個代理檢測模型用于元訓練階段，最后1個代理檢測模型用于元測試階段；
23、元訓練階段，通過 t個代理檢測模型集成攻擊去斑網(wǎng)絡獲取訓練的對抗去斑網(wǎng)絡；元測試階段，用訓練的對抗去斑網(wǎng)絡攻擊最后1個代理檢測模型，使生成的對抗圖像更容易遷移到其他代理檢測模型。
24、進一步地，在所述每個任務的元訓練階段和元測試階段，使用基于mae的去斑損失以及置信度損失的總損失函數(shù)來訓練去斑網(wǎng)絡模型，總損失函數(shù)為
25、。
26、進一步地，所述基于mae的去斑損失為
27、
28、
29、其中，為對真實sar檢測圖像及其真值去斑sar圖像設定的去斑圖像；為第 i個任務的第 j個樣本的圖像的真值去斑圖像，，。
30、進一步地，所述置信度損失為
31、
32、其中，表示代理檢測模型生成的預測框數(shù)量；表示標簽框真值；表示匹配的預測框集合，，和分別表示第 g個預測框的中心點坐標及其相對應的長度和寬度；定義表示第 g個預測框與標簽框相對應；為預測框中目標對象的類型；為logit輸出，表示預測框為真實目標的概率；表示標簽框的數(shù)量；表示分配給損失的權重，設定為0.5，從而保證兩個任務之間的平衡。
33、進一步地，所述元訓練包括：
34、對于第 i個任務，其包含個訓練樣本，使用 t個代理檢測模型的集成來引導去斑網(wǎng)絡生成對抗去斑圖像；對于第 i個任務中第 j個訓練樣本的第 m個代理檢測模型的置信度損失可表示為，；組合所有代理檢測模型的置信度損失，對于第 i個任務中的第 j個訓練樣本，所有代理檢測模型的總置信度損失為
35、
36、其中，表示輸入真實sar檢測圖像時，對抗濾波網(wǎng)絡所生成的對抗去斑圖像；是每個代理模型的權重，，且；
37、采用最小置信度損失和去斑損失聯(lián)合優(yōu)化對抗去斑網(wǎng)絡，元訓練的目標優(yōu)化函數(shù)為
38、
39、其中，；并將上式進一步展開如下：
40、。
41、進一步地，所述元測試包括：
42、采用訓練的對抗去斑網(wǎng)絡模型攻擊最后采樣的代理檢測模型，輸入第 k+1個測試樣本，通過計算的置信度損失進一步優(yōu)化訓練的對抗去斑網(wǎng)絡
43、
44、參照元訓練過程，元測試過程的目標優(yōu)化函數(shù)為
45、本文檔來自技高網(wǎng)...
【技術保護點】
1.一種基于元對抗去斑網(wǎng)絡的雷達圖像對抗樣本生成與目標檢測攻擊方法，其特征在于，包括：
2.如權利要求1所述的一種基于元對抗去斑網(wǎng)絡的雷達圖像對抗樣本生成與目標檢測攻擊方法，其特征在于，所述構建仿真的相干斑濾波數(shù)據(jù)集包括以下步驟：
3.如權利要求2所述的一種基于元對抗去斑網(wǎng)絡的雷達圖像對抗樣本生成與目標檢測攻擊方法，其特征在于，所述構建真實SAR圖像目標檢測與濾波數(shù)據(jù)集包括以下步驟：
4.如權利要求1所述的一種基于元對抗去斑網(wǎng)絡的雷達圖像對抗樣本生成與目標檢測攻擊方法，其特征在于，所述構建元對抗去斑網(wǎng)絡訓練框架包括：
5.如權利要求4所述的一種基于元對抗去斑網(wǎng)絡的雷達圖像對抗樣本生成與目標檢測攻擊方法，其特征在于，在所述每個任務的元訓練階段和元測試階段，使用基于MAE的去斑損失以及置信度損失的總損失函數(shù)來訓練去斑網(wǎng)絡模型，總損失函數(shù)為
6.如權利要求5所述的一種基于元對抗去斑網(wǎng)絡的雷達圖像對抗樣本生成與目標檢測攻擊方法，其特征在于，所述基于MAE的去斑損失為
7.如權利要求5所述的一種基于元對抗去斑網(wǎng)絡的雷達
8.如權利要求4所述的一種基于元對抗去斑網(wǎng)絡的雷達圖像對抗樣本生成與目標檢測攻擊方法，其特征在于，所述元訓練包括：
9.如權利要求4所述的一種基于元對抗去斑網(wǎng)絡的雷達圖像對抗樣本生成與目標檢測攻擊方法，其特征在于，所述元測試包括：
10.一種基于元對抗去斑網(wǎng)絡的雷達圖像對抗樣本生成與目標檢測攻擊系統(tǒng)，其特征在于，包括：
...【技術特征摘要】
1.一種基于元對抗去斑網(wǎng)絡的雷達圖像對抗樣本生成與目標檢測攻擊方法，其特征在于，包括：
2.如權利要求1所述的一種基于元對抗去斑網(wǎng)絡的雷達圖像對抗樣本生成與目標檢測攻擊方法，其特征在于，所述構建仿真的相干斑濾波數(shù)據(jù)集包括以下步驟：
3.如權利要求2所述的一種基于元對抗去斑網(wǎng)絡的雷達圖像對抗樣本生成與目標檢測攻擊方法，其特征在于，所述構建真實sar圖像目標檢測與濾波數(shù)據(jù)集包括以下步驟：
4.如權利要求1所述的一種基于元對抗去斑網(wǎng)絡的雷達圖像對抗樣本生成與目標檢測攻擊方法，其特征在于，所述構建元對抗去斑網(wǎng)絡訓練框架包括：
5.如權利要求4所述的一種基于元對抗去斑網(wǎng)絡的雷達圖像對抗樣本生成與目標檢測攻擊方法，其特征在于，在所述每個任務的元訓練階段和元測試階段...
【專利技術屬性】
技術研發(fā)人員：陳思偉，周鵬，李郝亮，李銘典，肖順平，
申請(專利權)人：中國人民解放軍國防科技大學，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。