基于Targeted-UAP算法的SAR图像对抗样本生成方法

刘哲; 夏伟杰; 雷永臻

doi:10.13873/J.1000-9787(2023)08-0131-04

Chinese

您当前的位置：

首页 >

文章列表页 >

基于Targeted-UAP算法的SAR图像对抗样本生成方法

计算与测试 | 更新时间：2025-09-11

- 基于Targeted-UAP算法的SAR图像对抗样本生成方法
- 暂无标题
- 传感器与微系统 2023年第8期页码：131-134
- 作者机构：
  
  1. 南京航空航天大学电子信息工程学院
  2. 南京航空航天大学雷达成像与微波光子技术教育部重点实验室
- 作者简介：
- 基金信息：
  
  国防科技重点实验室基金资助项目
- DOI：10.13873/J.1000-9787(2023)08-0131-04
  中图分类号： TP183;TN957.52
- 纸质出版：2023
- 稿件说明：
移动端阅览
刘哲, 夏伟杰, 雷永臻. 基于Targeted-UAP算法的SAR图像对抗样本生成方法[J]. 传感器与微系统, 2023,(8):131-134.
刘哲, 夏伟杰, 雷永臻. 基于Targeted-UAP算法的SAR图像对抗样本生成方法[J]. 传感器与微系统, 2023,(8):131-134. DOI： 10.13873/J.1000-9787(2023)08-0131-04.

DOI：

摘要

深度卷积神经网络被广泛应用于合成孔径雷达(SAR)图像目标识别。但有关研究表明，其易受SAR图像上轻微扰动的攻击，从而导致检测、分类识别的失败。为此，首先分析了光学图像下通用对抗扰动(UAP)算法，通过修改其迭代约束条件，提出有目标的UAP(Targeted-UAP)算法，搜索将对抗样本推入目标类别分类边界的最小扰动，生成有目标通用对抗扰动，以实现SAR目标识别网络的有目标攻击。使用Targeted-UAP算法生成有目标攻击SAR图像对抗样本，并在LeNet、VGGNet16、ResNet18三个经典识别模型上验证了其有效性。

Abstract

关键词

Keywords

references

TargetedFool：一种实现有目标攻击的算法[J]. 张华;高浩然;杨兴国;李文敏;高飞;温巧燕.西安电子科技大学学报,2021(01)

深度学习中的对抗攻击与防御[J]. 刘西蒙;谢乐辉;王耀鹏;李旭如.网络与信息安全学报,2020(05)

SAR图像目标识别的可解释性问题探讨[J]. 郭炜炜;张增辉;郁文贤;孙效华.雷达学报,2020(03)

卷积神经网络对SAR目标识别性能分析[J]. 邵嘉琦;曲长文;李健伟.雷达科学与技术,2018(05)

深度卷积神经网络在SAR自动目标识别领域的应用综述[J]. 许强;李伟;Pierre Loumbi.电讯技术,2018(01)

基于卷积神经网络的SAR图像目标识别研究.[J]. 田壮壮;占荣辉;胡杰民;张军.雷达学报,2016(03)

基于SAR辅助的惯导/星光组合导航系统研究[J]. 韩龄;熊智;于永军;刘建业.传感器与微系统,2011(07)

Adversarial attacks on deep-learning-based SAR image target recognition[J]. Teng Huang;Qixiang Zhang;Jiabao Liu;Ruitao Hou;Xianmin Wang;Ya Li.Journal of Network and Computer Applications,2020

Adversarial examples in the physical world.[J]. Alexey Kurakin;Ian J. Goodfellow;Samy Bengio.CoRR,2016

Explaining and Harnessing Adversarial Examples.[J]. Ian J. Goodfellow;Jonathon Shlens;Christian Szegedy.CoRR,2014

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于智能AI的传感器应用

一种新型注意力机制的双人交互行为识别方法

面向校园场景视频监控的人体行为识别方法

基于深度学习的散斑图应变场测量

基于双通道图卷积网络的人体行为识别方法