基于区间证据推理的多源目标识别方法

目标识别是信息融合的重要环节,传统单值证据理论在目标识别领域得到了广泛应用,但单值证据对模糊信息的描述较为绝对,可能会丢失部分原始信息。针对这个问题,提出了一种基于区间证据推理的多源目标识别方法。首先,对一般矩阵进行改造,形成区间概率矩阵,通过区间概率度量矩阵统计信息的不确定性。然后,根据该矩阵区间概率生成区间证据。最后,对区间证据组合结果进行区间概率转换,并对最终概率进行决策。仿真实验结果表明,该方法比单值证据推理方法更加合理有效。

多源遥感影像深度识别模型对抗攻击鲁棒性评估

基于深度神经网络的多源遥感影像目标识别系统已逐步在空天遥感情报侦察、无人作战自主环境认知、多模复合末制导等多个军事场景中广泛应用。然而,由于深度学习理论上的不完备性、深度神经网络结构设计工程上的强复用性、以及多源成像识别系统在复杂电磁环境中易受到各类干扰等多因素的影响,使得现有识别系统在对抗攻击鲁棒性方面评估不足,存在极大安全隐患。本文首先从深度学习理论不完备性和识别系统攻击样式两个方面分析了潜在安全风险,并重点介绍了深度识别模型对抗样本攻击基本原理和典型方法。其次,针对光学遥感影像和SAR遥感影像两类典型数据形式,从鲁棒正确识别率和对抗攻击可解释性两个方面开展多源遥感影像深度识别模型对抗攻击鲁棒性评估,覆盖了9类常见深度识别网络架构和7类典型对抗样本攻击方法,验证了现有深度识别模型对抗攻击鲁棒性普遍不足的问题,分析了对抗样本与正常样本的多隐层特征激活差异,为下一步设计对抗样本检测算法和提升模型对抗鲁棒性提供参考。