申请/专利权人:中山大学
申请日:2021-04-30
公开(公告)日:2024-04-23
公开(公告)号:CN113191268B
主分类号:G06V20/10
分类号:G06V20/10;G06V10/82;G06N3/0455;G06N3/0464;G06N3/08
优先权:
专利状态码:有效-授权
法律状态:2024.04.23#授权;2021.08.17#实质审查的生效;2021.07.30#公开
摘要:本发明公开了一种SAR目标识别对抗样本生成方法,针对某个特定的SAR目标识别模型能够实施靶向性攻击和非靶向性攻击,包括使用靶向性攻击的损失函数以及非靶向性攻击的损失函数训练编码器网络等步骤,使编码器网络可以快速地生成输入图片的对抗样本。本发明广泛应用于雷达目标识别技术领域。
主权项:1.基于深度编码网络的SAR目标识别对抗样本生成方法,其特征在于,包括:获取待处理图像;所述待处理图像用于供合成孔径雷达目标识别模型进行识别处理;将所述待处理图像输入至编码器网络;获取所述编码器网络的输出结果作为对抗样本;所述对抗样本用于对所述合成孔径雷达目标识别模型进行靶向性攻击;所述编码器网络为输入输出等大的全卷积神经网络,所述编码器网络经过训练样本的训练,在训练过程中所使用的损失函数为 其中x表示输入至所述编码器网络的所述训练样本,表示所述编码器网络的输出结果,f·表示合成孔径雷达目标识别模型对应的映射,λ表示设定的正则项系数,k表示设定的参数;对编码器网络训练的步骤包括:S1.获取MSTAR数据集;具体地,下载MSTAR数据集,其中MSTAR数据集包含了不同类别目标的SAR图像,对数据集进行预处理得到多张包含目标的图像切片,把这些图像切片分类十组,每一组包含了一类目标,使用多张SAR图像切片作为训练集,多张SAR图像切片作为测试集,将这些图像切片的灰度归一化为[0,1],进行随机缩放旋转形式的数据增强;S2.对MSTAR数据集中的图像进行裁剪,获得固定大小的图像切片;一个图像切片中仅包括一个识别目标;S3.以图像切片作为训练样本;S4.使用初始化参数初始化编码器网络,其中,初始化参数是从满足高斯分布的随机数中采样得到的数组,具体地,从高斯分布中随机采样,将随机采样的数组作为编码器网络的初始化参数;S5.将训练样本输入到编码器网络中,获取编码器网络的输出结果;具体地,将训练样本输入到编码器网络中,得到编码器的输出结果S6.将编码器网络的输出结果输入到合成孔径雷达目标识别模型中,获取合成孔径雷达目标识别模型的输出结果具体地,将编码器的输出结果输入到合成孔径雷达目标识别模型中,得到合成孔径雷达目标识别模型的输出;S7.根据合成孔径雷达目标识别模型的输出结果计算损失函数的值;具体地,当训练好的编码器网络所生成的对抗样本用于对合成孔径雷达目标识别模型进行靶向性攻击,那么使用作为损失函数,当训练好的编码器网络所生成的对抗样本用于对合成孔径雷达目标识别模型进行非靶向性攻击,那么使用作为损失函数;S8.当损失函数的值未满足训练结束条件;具体地,使用Adam优化器进行参数更新,在参数更新过程中,仅更新编码器网络的参数,而不更新合成孔径雷达目标识别模型的参数;在执行完步骤S8后,返回步骤S5继续按顺序执行各步骤;S9.当损失函数的值满足训练结束条件,结束训练过程。
全文数据:
权利要求:
百度查询: 中山大学 基于深度编码网络的SAR目标识别对抗样本生成方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。