基于自监督对比学习的深度神经网络对抗鲁棒性提升

被引:8
作者
孙浩 [1 ]
徐延杰 [1 ]
陈进 [2 ]
雷琳 [1 ]
计科峰 [1 ]
匡纲要 [1 ]
机构
[1] 国防科技大学电子科学学院CEMEE国家重点实验室
[2] 北京市遥感信息研究所
关键词
深度神经网络; 对抗鲁棒性; 自监督对比学习; 遥感场景分类;
D O I
10.16798/j.issn.1003-0530.2021.06.001
中图分类号
TP751 [图像处理方法]; TP183 [人工神经网络与计算];
学科分类号
081002 ; 081104 ; 0812 ; 0835 ; 1405 ;
摘要
基于深度神经网络的多源图像内容自动分析与目标识别方法近年来不断取得新的突破,并逐步在智能安防、医疗影像辅助诊断和自动驾驶等多个领域得到广泛部署。然而深度神经网络的对抗脆弱性给其在安全敏感领域的部署带来巨大安全隐患。对抗鲁棒性的有效提升方法是采用最大化网络损失的对抗样本重训练深度网络,但是现有的对抗训练过程生成对抗样本时需要类别标记信息,并且会大大降低无攻击数据集上的泛化性能。本文提出一种基于自监督对比学习的深度神经网络对抗鲁棒性提升方法,充分利用大量存在的无标记数据改善模型在对抗场景中的预测稳定性和泛化性。采用孪生网络架构,最大化训练样本与其无监督对抗样本间的多隐层表征相似性,增强模型的内在鲁棒性。本文所提方法可以用于预训练模型的鲁棒性提升,也可以与对抗训练相结合最大化模型的"预训练+微调"鲁棒性,在遥感图像场景分类数据集上的实验结果证明了所提方法的有效性和灵活性。
引用
收藏
页码:903 / 911
页数:9
相关论文
共 8 条
[1]   基于对抗攻击的SAR舰船识别卷积神经网络鲁棒性研究 [J].
徐延杰 ;
孙浩 ;
雷琳 ;
计科峰 ;
匡纲要 .
信号处理, 2020, (12) :1965-1978
[2]   基于局部特征显著化的场景分类方法 [J].
张家辉 ;
谢毓湘 ;
郭延明 .
信号处理 , 2020, (11) :1804-1810
[3]   基于多视角融合的细粒度图像分类方法 [J].
黄伟锋 ;
张甜 ;
常东良 ;
闫冬 ;
王嘉希 ;
王丹 ;
马占宇 .
信号处理, 2020, 36 (09) :1607-1614
[4]  
Remote Sensing Image Scene Classification Meets Deep Learning: Challenges, Methods, Benchmarks, and Opportunities [J] . Gong Cheng,Xingxing Xie,Junwei Han,Lei Guo,Gui Song Xia.&nbsp&nbspIEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing . 2020 (99)
[5]   The Robustness of Deep Networks A geometrical perspective [J].
Fawzi, Alhussein ;
Moosavi-Dezfooli, Seyed-Mohsen ;
Frossard, Pascal .
IEEE SIGNAL PROCESSING MAGAZINE, 2017, 34 (06) :50-62
[6]   Remote Sensing Image Scene Classification: Benchmark and State of the Art [J].
Cheng, Gong ;
Han, Junwei ;
Lu, Xiaoqiang .
PROCEEDINGS OF THE IEEE, 2017, 105 (10) :1865-1883
[7]  
Understanding and achieving efficient robustness with adversarial contrastive learning .2 BUI Anh,LE Trung,ZHAO He,et al. . 2021
[8]  
HopSkipJumpAttack:A query-efficient decision-based attack .2 CHEN Jianbo,JORDAN Michael,WAINWRIGHT Martin. Proceedings of IEEE Symposium on Security and Privacy . 2020