DBI-Attack: Dynamischer bi-level integrierter Angriff zur intensiven Multi-Scale UAV-Objekterkennung

Dank der robusten Fähigkeit zur Merkmalsrepräsentation von Convolutional Neural Networks (CNNs) hat sich die Objektidentifikationstechnologie intelligenter hochfliegender UAV-Fernmessung schnell entwickelt. In diesem Bereich stellen adversarielle Beispiele (AEs) ernsthafte Sicherheitsrisiken und Schwachstellen für auf Deep Learning basierende Systeme dar. Aufgrund der Einschränkungen bei der Objektgröße, Bildverschlechterung und Szenenhelligkeit ist es äußerst herausfordernd, adversarielle Störungen bei kleinen und dichten Objekten hinzuzufügen. Um die Bedrohung durch AEs für die UAV-Objekterkennung zu untersuchen, wird ein dynamischer bi-level integrierter Angriff (DBI-Attack) zur intensiven Multi-Scale UAV-Objekterkennung vorgeschlagen. Zunächst verwenden wir die Methode des dynamischen iterativen Angriffs (DIA), um Störungen auf der Klassifizierungsebene zu erzeugen, indem wir die momentumbasierte iterative schnelle Gradientenzeichenmethode (MIM) verbessern. Zweitens wird die bi-level adversarielle Angriffs-Methode (BAAM) entwickelt, um globale Störungen auf der Entscheidungsebene hinzuzufügen, um den White-Box-Angriff abzuschließen. Schließlich wird die integrierte Black-Box-Angriffsmethode (IBAM) kombiniert, um Black-Box-Fehletikettierungen und -Fälschungsangriffe zu realisieren. Wir experimentieren an realen Drohnentransportfahrzeugerkennungsdatasets, um die Angriffswirksamkeit besser zu bewerten. Die experimentellen Ergebnisse zeigen, dass die vorgeschlagene Methode Fehletikettierungen und Fälschungsangriffe auf die UAV-Objektdetektoren unter Black-Box-Bedingungen erreichen kann. Darüber hinaus wird das adversarielle Training angewendet, um die Robustheit des Modells zu verbessern. Diese Arbeit zielt darauf ab, mehr Aufmerksamkeit auf die adversarielle und defensive Aspekte von UAV-Zielerkennungsmodellen zu lenken.