计算机工程

作者：王熠, 李智, 张丽, 石雪丽, 刘登波, 卢妤

单位：1. 贵州大学计算机科学与技术学院, 贵州 贵阳 5500252. 贵州电网有限责任公司, 贵州 贵阳 550002

关键词：对抗攻击,对抗样本,深度神经网络,遥感图像,场景分类,黑盒攻击

基金：国家自然科学基金(62062023)

深度神经网络在遥感图像的场景分类任务中取得巨大成功。然而, 由于对抗样本具有较强的可迁移性, 基于遥感图像的场景分类网络的脆弱性不容忽视。为了增强遥感图像场景分类网络的鲁棒性, 确保其在各种环境和条件下的可靠性和安全性, 有效提高其实际应用价值, 提出一种频域的量化对抗攻击(FDQ)方法。首先, 将输入图像进行离散余弦变换(DCT), 在频域中利用量化筛选器有效捕捉使图像正确分类的关键特征在频域中的突出区域; 然后, 提出一个基于类的注意力损失, 使得量化筛选器逐渐丢失这些使图像正确分类的关键特征, 模型的注意力逐渐偏离与原始类别毫不相干的特征和区域。所提方法利用模型的注意力分布实现特征层级的黑盒攻击, 通过找到不同网络中的共同防御漏洞, 实现针对遥感图像生成且具有通用性的对抗样本。实验结果表明, FDQ方法可在遥感图像场景分类任务中成功攻击大多数最先进的深度神经网络, 与目前最先进的基于遥感图像场景分类任务的攻击方法相比, FDQ在基准数据集UCM和AID上基于RegNetX-400MF架构的攻击成功率分别提高了35.43%和23.63%。实验表明FDQ具有良好的攻击性和可迁移性, 很难被防御系统抵御。

来源：2026年第1期

《计算机工程》期刊编辑部

查看计算机工程杂志2026年第1期