面向红外目标检测的显著特征测试样本排序方法

摘要

红外目标检测是指在红外图像中确定目标对象的位置和类别，在自动驾驶、安防监控和电气设备检修等领域应用广泛.然而，由于深度模型存在脆弱性，红外目标检测模型容易受到对抗样本的攻击，因此对其展开安全性测试至关重要.测试样本优先级排序方法可通过对待测样本的优先级排序实现高效测试，并通过样本重训练提高模型的鲁棒性.针对现有的优先级排序测试方法存在无法适用红外目标图像的目标检测任务的问题，本文提出了一种基于显著特征的红外目标检测模型的测试样本优先级排序方法，简称SigPri,使用傅里叶变换和模型反向传播梯度筛选红外目标的关键轮廓像素特征，通过原样本与变异样本输入深度模型时激活神经元值的变化筛选关键神经元，对筛选出的关键像素特征和关键神经元实现模型变异，最后将待测样本分别输入原始模型和变异模型，通过其输出差异判定样本优先级，从而实现测试样本优先级排序.最后在不同模型和数据集上展开实验，验证了提出SigPri方法的平均排序效果(RAUC)比现有最优算法提高了9.39%.本文相关的数据集和代码公开在连接：https://github.com/TDY-raedae/infraprio.

关键词

显著特征 / 红外目标检测 / 样本优先级排序 / 关键像素变异 / 关键神经元变异