論文の概要: Physically-Induced Atmospheric Adversarial Perturbations: Enhancing Transferability and Robustness in Remote Sensing Image Classification

• arxiv url: http://arxiv.org/abs/2604.14643v1
• Date: Thu, 16 Apr 2026 05:47:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:31.743478
• Title: Physically-Induced Atmospheric Adversarial Perturbations: Enhancing Transferability and Robustness in Remote Sensing Image Classification
• Title（参考訳）: 物理的に誘発される大気対向摂動:リモートセンシング画像分類における伝達性とロバスト性の向上
• Authors: Weiwei Zhuang, Wangze Xie, Qi Zhang, Xia Du, Zihan Lin, Zheng Lin, Hanlin Cai, Jizhe Zhou, Zihan Fang, Chi-man Pun, Wei Ni, Jun Luo,
• Abstract要約: 敵対的攻撃は、リモートセンシング(RS)画像分類におけるディープラーニングモデルの信頼性に深刻な脅威をもたらす。 本稿ではフォグフール(FogFool)を提案する。 2つのベンチマークRSデータセットの実験は、FogFoolが優れたパフォーマンスを達成することを示す。
• 参考スコア（独自算出の注目度）: 54.952203312050564
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Adversarial attacks pose a severe threat to the reliability of deep learning models in remote sensing (RS) image classification. Most existing methods rely on direct pixel-wise perturbations, failing to exploit the inherent atmospheric characteristics of RS imagery or survive real-world image degradations. In this paper, we propose FogFool, a physically plausible adversarial framework that generates fog-based perturbations by iteratively optimizing atmospheric patterns based on Perlin noise. By modeling fog formations with natural, irregular structures, FogFool generates adversarial examples that are not only visually consistent with authentic RS scenes but also deceptive. By leveraging the spatial coherence and mid-to-low-frequency nature of atmospheric phenomena, FogFool embeds adversarial information into structural features shared across diverse architectures. Extensive experiments on two benchmark RS datasets demonstrate that FogFool achieves superior performance: not only does it exceed in white-box settings, but also exhibits exceptional black-box transferability (reaching 83.74% TASR) and robustness against common preprocessing-based defenses such as JPEG compression and filtering. Detailed analyses, including confusion matrices and Class Activation Map (CAM) visualizations, reveal that our atmospheric-driven perturbations induce a universal shift in model attention. These results indicate that FogFool represents a practical, stealthy, and highly persistent threat to RS classification systems, providing a robust benchmark for evaluating model reliability in complex environments.
• Abstract（参考訳）: 敵対的攻撃は、リモートセンシング(RS)画像分類におけるディープラーニングモデルの信頼性に深刻な脅威をもたらす。 既存のほとんどの手法は、RS画像の固有の大気特性を利用したり、現実世界の画質劣化を乗り越えることに失敗した、直接ピクセルの摂動に依存している。 本稿では,パーリンノイズに基づく大気パターンの反復最適化により霧による摂動を発生させる,物理的に可塑性逆向きのFogFoolを提案する。 自然で不規則な構造で霧の形成をモデル化することにより、FogFoolは真正のRSシーンと視覚的に整合するだけでなく、騙しもする敵の例を生成する。 大気現象の空間的コヒーレンスと中から低周波の性質を活用することで、FogFoolは様々なアーキテクチャで共有される構造的特徴に敵対的な情報を埋め込む。 2つのベンチマークRSデータセットに対する大規模な実験では、FogFoolはホワイトボックス設定を超えるだけでなく、例外的なブラックボックス転送可能性(83.74%のTASR)とJPEG圧縮やフィルタリングのような一般的な前処理ベースの防御に対する堅牢性を示す。 混乱行列やクラスアクティベーションマップ(CAM)の可視化を含む詳細な分析により、我々の大気を駆動する摂動がモデル注意の普遍的な変化を引き起こすことが明らかとなった。 これらの結果から、FogFoolはRS分類システムに対する実用的でステルス性があり、非常に永続的な脅威であり、複雑な環境におけるモデルの信頼性を評価するための堅牢なベンチマークを提供する。

関連論文リスト

• A Physically-Grounded Attack and Adaptive Defense Framework for Real-World Low-Light Image Enhancement [11.903420482259257]
  限られた照明は、しばしば画像の厳しい物理的ノイズと細部劣化を引き起こす。 既存の低光画像強調法(LLIE)は、拡張プロセスをブラインドブラックボックスマッピングとして扱う。 本稿では,物理に基づく攻撃とディスプレイ適応防衛のパラダイムとして概念的に定式化された新しいLLIE手法を提案する。
  論文  参考訳（メタデータ） (2026-03-15T09:44:54Z)
• RoSe: Robust Self-supervised Stereo Matching under Adverse Weather Conditions [58.37558408672509]
  本稿では,ロバストな自己監督型環境対応学習と悪天候蒸留という2つの重要なステップからなる,堅牢な自己監督型訓練パラダイムを提案する。 提案手法の有効性と汎用性を実証し,既存の最先端の自己管理手法より優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-23T15:41:40Z)
• ForensicsSAM: Toward Robust and Unified Image Forgery Detection and Localization Resisting to Adversarial Attack [56.0056378072843]
  高い転送性を持つ逆画像は上流モデルでのみ作成可能であることを示す。 本稿では,IFDLフレームワークを組み込んだForensicsSAMを提案する。
  論文  参考訳（メタデータ） (2025-08-10T16:03:44Z)
• Pseudo-Label Guided Real-World Image De-weathering: A Learning Framework with Imperfect Supervision [57.5699142476311]
  非理想的な監視を伴う実世界のイメージデウェザリングのための統一的なソリューションを提案する。 本手法は,不完全整合型非整合性データセットのトレーニングにおいて,大きな利点を示す。
  論文  参考訳（メタデータ） (2025-04-14T07:24:03Z)
• RAUCA: A Novel Physical Adversarial Attack on Vehicle Detectors via Robust and Accurate Camouflage Generation [19.334642862951537]
  本稿では,頑健で正確なカモフラージュ生成手法であるRAUCAを提案する。 RAUCAのコアはニューラルレンダリングコンポーネントであるNeural Renderer Plus(NRP)で、車両のテクスチャを正確に投影し、照明や天気などの環境特性を持つ画像を描画することができる。 6つの一般的な物体検出器の実験結果から、RAUCAはシミュレーションと実世界の両方の設定において、既存の手法を一貫して上回っていることが示されている。
  論文  参考訳（メタデータ） (2024-02-24T16:50:10Z)
• Object recognition in atmospheric turbulence scenes [2.657505380055164]
  乱流環境におけるオブジェクトの型を検知・分類するための歪み特徴を学習する新しいフレームワークを提案する。 具体的には、変形可能な畳み込みを利用して空間変位を処理する。 提案手法は平均精度(mAP)が30%を超えるベンチマークよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-25T20:21:25Z)
• Single Frame Atmospheric Turbulence Mitigation: A Benchmark Study and A New Physics-Inspired Transformer Model [82.23276183684001]
  本研究では,大気乱流の画像化のための物理インスピレーション付き変圧器モデルを提案する。 提案ネットワークは変圧器ブロックのパワーを利用して動的乱流歪みマップを共同で抽出する。 そこで本研究では,従来の客観的指標と,テキスト認識精度を用いたタスク駆動計測の両方で評価可能な,実世界の乱流データセットを新たに2つ提示する。
  論文  参考訳（メタデータ） (2022-07-20T17:09:16Z)

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。