10.16798/j.issn.1003-0530.2020.12.002
基于对抗攻击的SAR舰船识别卷积神经网络鲁棒性研究
随着深度学习技术的迅猛发展,卷积神经网络(Convolutional Neural Networks,CNN)在合成孔径雷达(Synthetic Aperture Radar,SAR)舰船分类任务上取得很高的精度.但同时,由于SAR成像存在相干斑噪声等特性以及CNN自身的脆弱性,使得预测结果稳定性较差,在实际应用中存在明显隐患.针对上述CNN在SAR舰船识别分类任务上鲁棒性不足的问题,本文将对抗样本引入到SAR舰船识别鲁棒性的研究之中,通过从梯度、边界、黑盒模拟等多个角度对CNN网络进行全方位的对抗攻击及干扰,实现了对各SAR舰船识别CNN网络的综合评估,并依照评估结果完成针对性的鲁棒性增强方案的制定,为SAR舰船识别鲁棒性研究开拓了新的领域.
合成孔径雷达、舰船识别、对抗样本、卷积神经网络
36
TP391.4(计算技术、计算机技术)
国家自然科学基金资助61971426
2021-01-25(万方平台首次上网日期,不代表论文的发表时间)
共14页
1965-1978