CN119418031A 针对航拍影像目标检测器的黑盒对抗补丁攻击方法 （中国人民解放军军事科学院国防科技创新研究院）

针对航拍影像目标检测器的黑盒对抗补丁本发明公开了一种针对航拍影像目标检测置上粘贴一个候选对抗补丁，得到训练样本图能在不需要目标检测器的内部信息的情况下实2选取已有的航拍影像目标检测器或已训练好的能够用于目标检测的深度神经网络模设定置信度阈值，利用航拍影像目标检测器或深度神经网络模型获取初在初始样本图像的目标检测框位置上粘贴一个候选对抗补丁2.根据权利要求1所述的针对航拍影像目标检测器的黑盒对抗补丁攻击方法，其特征将初始样本图像输入航拍影像目标检测器或深度神经网络模型，得3.根据权利要求1所述的针对航拍影像目标检测器的黑盒对抗补丁攻击方法，其特征根据经验值和对抗补丁的目标尺寸确定对抗补丁的基于确定的初始尺寸，通过生成预设大小的灰度图或者在补丁中每个像素点生成[0,4.根据权利要求3所述的针对航拍影像目标检测器的黑盒对抗补丁攻击方法，其特征5.根据权利要求4所述的针对航拍影像目标检测器的黑盒对抗补丁攻击方法，其特征3步骤S57，选取当前种群中对应的适应度函数值最小的对抗补丁作为最终对抗补丁输6.根据权利要求5所述的针对航拍影像目标检测器的黑盒对抗补丁攻击方法，其特征沿图像宽度方向和高度方向对对抗补丁进行复制、拼接平铺，直7.根据权利要求5所述的针对航拍影像目标检测器的黑盒对抗补丁攻击方法，其特征8.根据权利要求7所述的针对航拍影像目标检测器的黑盒对抗补丁攻击方法，其特征其中，S(x)表示种群中对抗补丁x对应的适应度函数值，P(x)9.根据权利要求8所述的针对航拍影像目标检测器的黑盒对抗补丁攻击方法，其特征10.根据权利要求1_9中任一项所述的针对航拍影像目标检测器的黑盒对抗补丁攻击4[0005]目前大部分的对抗攻击方法均是针对待攻击神经网络模型的结构及参数已知的5[0009]选取已有的航拍影像目标检测器或已训练好的能够用于目标检测的深度神经网标检测器或深度神经网络模型输出的初始样本图像中置信度不低于置信度阈值的目标检[0016]在一些可能的实现方式中，包括多个初始对抗补丁的初始种群利用以下方式获6[0028]步骤S57，选取当前种群中对应的适应度函数值最小的对抗补丁作为最终对抗补有对抗补丁x对应的候选对抗补丁的目标检测框包括多个，则P(x)采用相应多个目标检测[0037]本发明的针对航拍影像目标检测器的黑盒对抗补丁攻击方法通过采用差分进化算法能够在不需要目标检测器的具体内部信息的情况下实现对抗补丁的优化求解；并且，[0038]此处所说明的附图用来提供对本发明实施例的进一步理解，构成本发明的一部[0039]图1为本发明一实施例的针对航拍影像目标检测器的黑盒对抗补丁攻击方法的流7[0044]参考图1，本发明一实施例提供了一种针对航拍影像目标检测器的黑盒对抗补丁可以从已经训练好的YOLO系列神经网络或FasterR_CNN神经网络中选择一个作为航拍影[0050]具体地，针对航拍影像目标，选取现有的DOTA_v1.0数据集、RSOD数据集或8像目标检测器或深度神经网络模型获取初始样本图像中置信度不低于置信度阈值的目标标检测器或深度神经网络模型输出的初始样本图像中置信度不低于置信度阈值的目标检[0057]通过上述方式能够利用航拍影像目标检测器或深度神经网络模型获取初始样本群中的对抗补丁进行升维得到。[0067]本发明一实施例中，在初始样本图像的目标检测框位置上粘贴一个候选对抗补9[e',e"]表和Pt[0109]其中，新一代种群中每个对抗补丁对应的候选对抗补丁的获取方式与步骤S51中初始种群中每个初始对抗补丁对应的候选对抗[0110]步骤S57，选取当前种群中对应的适应度函数值最小的对抗补丁作为最终对抗补[0115]本发明一实施例提供的针对航拍影像目标检测器的黑盒对抗补丁攻击方法通过采用差分进化算法能够在不需要目标检测器的具体内部信息的情况下实现对抗补丁的优以对前述各实施例所记载的技术方