中文标题：联合误导性与逼真度优化的SAR ATR最优对抗样本生成方法

英文标题：Optimal adversarial sample generation method in SAR ATR based on joint misleading and fidelity optimization

来源期刊：雷达学报

基金项目：国家自然科学基金(62471471)

作  者：苏薪元, 全斯农, 蔡志豪, 邢世其, 汪俊澎

作者单位：国防科技大学电子信息系统复杂电磁环境效应国家重点实验室 长沙 410073

摘  要：对抗样本生成研究是揭示深度神经网络脆弱性及提升合成孔径雷达自动目标识别(SAR ATR)系统鲁棒性的关键。本文针对对抗样本的误导效能与视觉隐蔽这一核心矛盾的平衡问题，提出了联合误导性与逼真度优化的SAR ATR最优对抗样本生成方法，将对抗样本的生成过程建模为一个以“误导性”和“逼真度”为目标的联合优化问题。本文首先提出了一种集成复合变换攻击法以增强攻击的有效性，并构建了融合目标模型分类准确率(ACC)与学习感知图像块相似度(LPIPS)的联合度量模型以量化两个优化目标。随后，提出一种改进的均匀性引导多目标雾凇算法，通过融合Tent混沌映射、混合动态权重和黄金正弦引导，高效地求解该模型，从而获得一组代表不同权衡程度的帕累托最优解集。最终，利用YOLOv10网络对解集中的样本进行扰动检测，以定位扰动被发现的临界点，实现最优参数的量化。在MSTAR和MiniSAR数据集上的实验表明，所提集成复合变换攻击法针对不同集成模型和分类网络的平均目标模型识别准确率为8.96%，总体误导效果较其他方法平均提升了2.25%，其中复杂模型平均提升5.56%；所提均匀性引导的多目标雾凇算法在解集多样性和收敛速度方面较对比方法提升均超过25%；最终该方法能够在ACC降至28.81%的同时，将LPIPS控制在0.407，扰动因子仅为0.031，实现了误导性与逼真度的最佳平衡。该参数在6种不同防御策略下均能保持有效误导，验证了其强鲁棒性，为SAR ATR领域的对抗攻击研究提供了新的思路与量化基准。

全文链接： https://radars.ac.cn/cn/article/doi/10.12000/JR25179