抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
深層ニューラルネットワークは多くの重要なリモートセンシングタスクにおいて大きな成功を達成した。それにもかかわらず,敵対例に対する脆弱性は無視できない。本研究では,犠牲者モデルからの知識なしに,初めてリモートセンシングデータにおける普遍的な敵対例を系統的に解析した。特に,リモートセンシングデータのために,新しいブラックボックス敵対攻撃法,すなわち,Mixup-Attack,およびその簡単な変異体Mixcut-Attackを提案した。提案方法の鍵となるアイデアは,与えられた代理モデルの浅い層における特徴を攻撃することによって,異なるネットワークの間の一般的脆弱性を見つけることである。それらの単純さにもかかわらず,提案方法は,高い成功率で,シーン分類と意味的セグメンテーションタスクの両方で最先端の深層ニューラルネットワークのほとんどを削除する移動可能な敵対例を生成することができる。さらに,UAE-RSというデータセットにおいて生成された普遍的な敵対例を提供し,これはリモートセンシング分野でブラックボックス敵対サンプルを提供する最初のデータセットである。UAE-RSは,遠隔センシング分野における敵対攻撃に対して強い抵抗を持つ深いニューラルネットワークを設計するのに役立つベンチマークとして役立つ可能性がある。コードとUAE-RSデータセットはオンライン(https://github.com/YonghaoXu/UAE RS)である。【JST・京大機械翻訳】