論文の概要: Cloud Adversarial Example Generation for Remote Sensing Image Classification
- arxiv url: http://arxiv.org/abs/2409.14240v1
- Date: Sat, 21 Sep 2024 20:15:22 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-06 23:37:15.888278
- Title: Cloud Adversarial Example Generation for Remote Sensing Image Classification
- Title(参考訳): リモートセンシング画像分類のためのクラウド適応例生成
- Authors: Fei Ma, Yuqiang Feng, Fan Zhang, Yongsheng Zhou,
- Abstract要約: リモートセンシング画像に対する既存の敵攻撃手法の多くは、単に敵の摂動やパッチを追加するだけである。
パーリンノイズに基づくクラウド生成攻撃法を提案する。
- 参考スコア(独自算出の注目度): 9.014861497985299
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Most existing adversarial attack methods for remote sensing images merely add adversarial perturbations or patches, resulting in unnatural modifications. Clouds are common atmospheric effects in remote sensing images. Generating clouds on these images can produce adversarial examples better aligning with human perception. In this paper, we propose a Perlin noise based cloud generation attack method. Common Perlin noise based cloud generation is a random, non-optimizable process, which cannot be directly used to attack the target models. We design a Perlin Gradient Generator Network (PGGN), which takes a gradient parameter vector as input and outputs the grids of Perlin noise gradient vectors at different scales. After a series of computations based on the gradient vectors, cloud masks at corresponding scales can be produced. These cloud masks are then weighted and summed depending on a mixing coefficient vector and a scaling factor to produce the final cloud masks. The gradient vector, coefficient vector and scaling factor are collectively represented as a cloud parameter vector, transforming the cloud generation into a black-box optimization problem. The Differential Evolution (DE) algorithm is employed to solve for the optimal solution of the cloud parameter vector, achieving a query-based black-box attack. Detailed experiments confirm that this method has strong attack capabilities and achieves high query efficiency. Additionally, we analyze the transferability of the generated adversarial examples and their robustness in adversarial defense scenarios.
- Abstract(参考訳): リモートセンシング画像に対する既存の敵攻撃手法の多くは、単に敵の摂動やパッチを付加するだけで、不自然な修正をもたらす。
雲はリモートセンシング画像において一般的な大気効果である。
これらの画像上で雲を生成することは、人間の知覚とよりよく一致した敵の例を生み出すことができる。
本稿では,Perlinノイズに基づくクラウド生成攻撃手法を提案する。
一般的なPerlinノイズベースのクラウド生成はランダムで最適化不可能なプロセスであり、ターゲットモデルへの直接攻撃には使用できない。
我々は、勾配パラメータを入力として取り、異なるスケールでパーリン雑音勾配ベクトルの格子を出力するPerlin Gradient Generator Network (PGGN) を設計する。
勾配ベクトルに基づく一連の計算の後、対応するスケールの雲マスクを作成できる。
これらの雲マスクは、混合係数ベクトルとスケーリング係数によって重み付けされ、最終的な雲マスクを生成する。
勾配ベクトル、係数ベクトル、スケーリング係数を総合的に雲パラメータベクトルとして表現し、雲の発生をブラックボックス最適化問題に変換する。
差分進化(DE)アルゴリズムは、クエリベースのブラックボックス攻撃を達成し、クラウドパラメータベクトルの最適解を解くために用いられる。
詳細な実験により、この手法は強力な攻撃能力を有し、高いクエリ効率を実現することが確認された。
さらに, 敵防衛シナリオにおいて, 生成した敵の事例の転送可能性とロバスト性を解析した。
関連論文リスト
- GE-AdvGAN: Improving the transferability of adversarial samples by
gradient editing-based adversarial generative model [69.71629949747884]
GAN(Generative Adversarial Networks)のような逆生成モデルは、様々な種類のデータを生成するために広く応用されている。
本研究では, GE-AdvGAN という新しいアルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-01-11T16:43:16Z) - Defense against Adversarial Cloud Attack on Remote Sensing Salient
Object Detection [21.028664417133793]
本稿では,雲に近づいた画像に対して,対向露光と加法摂動を伴って調整することを提案する。
DefenseNetは、提案されているAdversarial Cloudをホワイトボックス設定で防御し、ブラックボックス設定で他のアタックメソッドを防御することができる。
論文 参考訳(メタデータ) (2023-06-30T07:06:13Z) - Self-Supervised Arbitrary-Scale Point Clouds Upsampling via Implicit
Neural Representation [79.60988242843437]
そこで本研究では,自己監督型および倍率フレキシブルな点雲を同時にアップサンプリングする手法を提案する。
実験結果から, 自己教師あり学習に基づく手法は, 教師あり学習に基づく手法よりも, 競争力や性能が向上することが示された。
論文 参考訳(メタデータ) (2022-04-18T07:18:25Z) - Shape-invariant 3D Adversarial Point Clouds [111.72163188681807]
逆境と不可視性は、逆境の摂動の2つの基本的だが矛盾する性格である。
3Dポイントのクラウド認識に対する以前の敵対的攻撃は、しばしば目立ったポイントアウトリーチによって批判された。
本稿では,点摂動の効率性と非受容性を両立させる新しい点-クラウド感度マップを提案する。
論文 参考訳(メタデータ) (2022-03-08T12:21:35Z) - Discriminator-Free Generative Adversarial Attack [87.71852388383242]
生成的ベースの敵攻撃は、この制限を取り除くことができる。
ASymmetric Saliency-based Auto-Encoder (SSAE) は摂動を生成する。
SSAEが生成した敵の例は、広く使われているモデルを崩壊させるだけでなく、優れた視覚的品質を実現する。
論文 参考訳(メタデータ) (2021-07-20T01:55:21Z) - Boosting Gradient for White-Box Adversarial Attacks [60.422511092730026]
そこで本研究では,ADV-ReLUと呼ばれる,勾配に基づくホワイトボックス攻撃アルゴリズムの性能向上を目的とした,汎用的な逆例生成手法を提案する。
提案手法では,損失関数とネットワーク入力の勾配を算出し,その値をスコアにマップし,その一部を選択して誤導勾配を更新する。
論文 参考訳(メタデータ) (2020-10-21T02:13:26Z) - Representing Point Clouds with Generative Conditional Invertible Flow
Networks [15.280751949071016]
クラウド固有の確率分布から抽出したサンプルの集合として,点雲を表現するための簡易かつ効果的な方法を提案する。
提案手法は, 生成的非可逆フローネットワークを利用して埋め込みを学習し, 点雲を生成する。
私たちのモデルは、ベンチマークデータセット上で、競争力または優れた定量的結果を提供します。
論文 参考訳(メタデータ) (2020-10-07T18:30:47Z) - Thick Cloud Removal of Remote Sensing Images Using Temporal Smoothness
and Sparsity-Regularized Tensor Optimization [3.65794756599491]
リモートセンシング画像では、雲の影に付随する厚い雲の存在が確率の高い事象である。
時間的滑らか度と空間規則化テンソル最適化に基づくリモートセンシング画像の高密度クラウド除去手法を提案する。
論文 参考訳(メタデータ) (2020-08-11T05:59:20Z) - Permutation Matters: Anisotropic Convolutional Layer for Learning on
Point Clouds [145.79324955896845]
本稿では,各点のソフトな置換行列を計算する変分異方性畳み込み演算(PAI-Conv)を提案する。
点雲の実験により、PAI-Convは分類とセマンティックセグメンテーションのタスクにおいて競合する結果をもたらすことが示された。
論文 参考訳(メタデータ) (2020-05-27T02:42:29Z) - Cloud and Cloud Shadow Segmentation for Remote Sensing Imagery via
Filtered Jaccard Loss Function and Parametric Augmentation [8.37609145576126]
現在の地理空間画像における雲と影の識別法は,特に雪と風の存在下では,それほど正確ではない。
本論文では,ランドサット8号画像における雲・陰影検出のためのディープラーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2020-01-23T19:13:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。