DPSF: A Dynamic Patch Shape Selection Framework for Cross-Model Transferable Adversarial Attacks

Han Zhang

doi:10.3390/rs18142426

DPSF: A Dynamic Patch Shape Selection Framework for Cross-Model Transferable Adversarial Attacks

2026-07-23

0

OA

AI

DOI：10.3390/rs18142426

原文链接

原文求助

摘要

En 中文

对抗性贴片攻击是评估遥感图像分类中对抗鲁棒性的核心工具，但现有方法因固定贴片形状和单模型优化导致跨架构的黑盒可迁移性较差。本文提出动态贴片形状选择框架（DPSF），集成了12种形状的贴片库、自适应类别匹配及多模型联合优化，并通过动态权重调整在严格的2%贴片面积约束下进行。我们在UC Merced数据集上测试DPSF，使用8个随机分割种子，将ResNet101、DenseNet161和VGG19作为黑盒保留模型。在五源协议下，DPSF-full实现平均准确率下降（ACC D）0.380 ± 0.034，对抗准确率（Adv Acc）0.593 ± 0.039，攻击成功率（ASR）0.393 ± 0.037（在干净正确测试样本上，保留评估器平均），联合成功率（USR）0.581 ± 0.046，交集成功率（ISR）0.188 ± 0.023。在ResNet50单源设置下，DPSF-single获得平均ACC D = 0.275 ± 0.109，优于稀疏随机（Sparse-RS）（0.033 ± 0.012）和十字形对抗贴片攻击（CSPA）（0.232 ± 0.029）。在CIFAR-10、Tiny-ImageNet和Mini-ImageNet上的补充结果展示了跨尺度可迁移趋势。本研究为航空土地利用场景分类构建了可复现的数字域鲁棒性基准。

Keyword:

adversarial patch attack

dynamic patch shape selection

adaptive category matching

remote sensing image classification

cross-model transferability

adversarial robustness

DPSF: A Dynamic Patch Shape Selection Framework for Cross-Model Transferable Adversarial Attacks

摘要

期刊

机构