SAR-AE-SFP: SAR Imagery Adversarial Example in Real Physics domain with Target Scattering Feature Parameters

要約

ディープニューラルネットワークベースの合成開口レーダー（SAR）ターゲット認識モデルは、敵対的な例の影響を受けやすい。SAR画像に対する現在の敵対的事例生成手法は、主に2次元デジタル領域で動作し、画像敵対的事例として知られています。最近の研究では、SAR画像の散乱メカニズムを考慮する一方で、実際の撮像プロセスを考慮していないため、擬似物理敵対例と呼ばれる3次元物理領域での攻撃は実行不可能である。このような課題を解決するため、本論文ではSAR-AE-SFP-Attackを提案する。SAR-AE-SFP-Attackは、ターゲット物体の散乱特徴パラメータを変更することで、実際の物理敵対例を生成する手法である。具体的には、3次元の目標物体の散乱特徴パラメータに反射係数と散乱係数を摂動させることで、目標エコーのコヒーレントエネルギー蓄積を繰り返し最適化し、RaySARシミュレータでエコー信号処理と画像処理を行った後、敵対的事例を得る。実験の結果、デジタル敵対攻撃手法と比較して、SAR-AE-SFP攻撃は、CNNベースのモデル（30％以上）およびTransformerベースのモデル（13％以上）の攻撃効率を大幅に向上させ、異なるモデルや視点間での攻撃効果の大きな移植性を実証した。

要約(オリジナル)

Deep neural network-based Synthetic Aperture Radar (SAR) target recognition models are susceptible to adversarial examples. Current adversarial example generation methods for SAR imagery primarily operate in the 2D digital domain, known as image adversarial examples. Recent work, while considering SAR imaging scatter mechanisms, fails to account for the actual imaging process, rendering attacks in the three-dimensional physical domain infeasible, termed pseudo physics adversarial examples. To address these challenges, this paper proposes SAR-AE-SFP-Attack, a method to generate real physics adversarial examples by altering the scattering feature parameters of target objects. Specifically, we iteratively optimize the coherent energy accumulation of the target echo by perturbing the reflection coefficient and scattering coefficient in the scattering feature parameters of the three-dimensional target object, and obtain the adversarial example after echo signal processing and imaging processing in the RaySAR simulator. Experimental results show that compared to digital adversarial attack methods, SAR-AE-SFP Attack significantly improves attack efficiency on CNN-based models (over 30\%) and Transformer-based models (over 13\%), demonstrating significant transferability of attack effects across different models and perspectives.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL