[发明专利]一种对抗补丁生成方法

说明书

本发明公开了对抗补丁生成方法，方法包括以下步骤：从数据集中获取有伪装目标的图片，随机初始化补丁；定义粘贴补丁的目标真实框和不粘贴补丁的其他真实框；按照不同大小的目标，将补丁以一定的比例进行缩放；将补丁根据目标真实框构建的锚框添加到伪装目标上；将粘贴对抗补丁的图片输入到检测网络，计算损失迭代更新对抗补丁，直到伪装目标不被检测网络检测出来。本发明实现重要地物目标的伪装，对抗补丁只要覆盖定向目标的一小部分，就使整个目标无法被检测到；将对抗补丁放置在定向目标的中心位置，隐藏定向目标在目标检测器中的决策特征，使得检测器中的预测框的置信度低于阈值，从而误导检测器的检测结果。

技术领域

本发明属于机器学习技术领域，尤其涉及一种对抗补丁生成方法。

背景技术

近年来，在遥感图像的目标检测任务中，基于深度学习的目标检测器技术扮演了一个重要的角色，然而，基于深度学习的目标检测器技术虽然在目标检测任务上具有很好的表现能力，但是，有研究发现，这些目标检测器对添加了一个微小扰动的输入很敏感，易受到这些扰动的干扰，从而产生错误的输出，这些添加了特定扰动的样本被称为对抗样本。

目标检测器中存在对抗样本的这个现象，虽然给检测器的性能带来了一定的威胁，但是这个现象同时也给我们伪装一些重要的地物目标，逃避目标检测器的检测提供了一个新的思路，那就是欺骗目标检测器，引导目标检测器做出错误的决策，从而实现重要地物目标的隐藏。

在自然图像领域，关于目标检测器的攻击已经有很多的相关研究，而且攻击的方式多种多样，有生成人类视觉不可见的全局扰动的攻击，有生成视觉可见的对抗补丁的攻击。

深度学习在计算机视觉领域已经取得了巨大的成功，端到端的卷积神经网络在数据驱动下，在各类计算机视觉任务上都发挥了重要的作用，提升了这些任务的结果。近年来，随着深度学习的发展，深度学习在计算机视觉任务上的技术被广泛运用到了遥感领域，如遥感图像的变化检测、地物分类、目标识别等，很大程度上提升了遥感图像的处理能力。在这些技术中，目标识别器是一个在遥感领域不可忽视的应用技术，被广泛应用于建筑物检测、飞机检测、舰船检测等，替代了传统的人工检测，提升了检测的性能。但是，目标检测器的基础模块是卷积神经网络，而卷积神经网络在具有较高表现能力的同时，也具有一定的脆弱性，很容易受到对抗样本的攻击，从而产生错误的输出，卷积神经网络的这个脆弱性，给目标检测器的性能带来了一定的隐患，使得目标检测器也会受到对抗样本的攻击。

对抗样本对目标检测器的攻击，暴露出了目标检测器在模型鲁棒性上的缺陷，给目标检测器在遥感领域的应用带来了威胁，但是，目标检测器中存在对抗样本这个现象虽然具有一定的威胁，但这个现象同时也给我们伪装一些重要的地物目标提供了一个思路，那就是欺骗目标检测器，引导目标检测器做出错误的决策，从而实现这些重要地物目标的隐藏。

传统的重要地物目标的伪装方法，主要是通过放置伪装网来隐藏目标，这样的方法对于那些小型的目标确实有效，但是对于大型的目标(如飞机、舰船等)，伪装这些目标需要大型的伪装网，这给伪装网的制作带来了一定的限制，所以，面对这样的场景，放置伪装网的方法很不适宜使用，因此我们可以从目标检测器本身出发，利用目标检测器的缺陷，攻击目标检测器，实现这类大型目标的伪装。想要利用目标检测器中存在对抗样本这个现象来进行重要目标的伪装，我们首先要解决如何去有效的攻击目标检测器，使得在不使用大型伪装网的情况下，成功的伪装重要目标。