Das auf tiefen neuronalen Netzwerken basierende Mehrkanalbilderkennungssystem für die Ferndetektion hat allmählich in der Weltraumaufklärung, der autonomen Lageerfassung in unbemannten Kampfsituationen, der Mehrmodusnavigation und anderen militärischen Szenarien weit verbreitet Anwendung gefunden. Aufgrund der Unvollständigkeit der Theorie des tiefen Lernens, der intensiven Wiederverwendung des Designs der Struktur tiefer neuronaler Netzwerke und des Einflusses aller Arten von Störungen in einer komplexen elektromagnetischen Umgebung auf das Mehrkanalbilderkennungssystem besteht jedoch eine unzureichende Bewertung der Widerstandsfähigkeit des bestehenden Systems gegen Angriffe, was erhebliche Sicherheitsrisiken mit sich bringt. In diesem Artikel analysieren wir zunächst die potenziellen Sicherheitsrisiken aufgrund der Unvollständigkeit der Theorie des tiefen Lernens und der Angriffsmuster auf das Erkennungssystem und stellen ausführlich die grundlegenden Prinzipien und typischen Angriffsmethoden auf die Widerstandsfähigkeit tiefer Erkennungsmodelle vor. Anschließend bewerten wir die Widerstandsfähigkeit der tiefen Erkennungsmodelle gegen Angriffe auf Mehrkanalferndetektionsbilder hinsichtlich robuste korrekte Erkennungsrate und Erklärungsfähigkeit von Angriffen. Die Bewertung umfasst neun gängige Architekturtypen tiefer Erkennungsmodelle und sieben typische Angriffsmuster tiefer Modelle, bestätigt die allgemeine unzureichende Widerstandsfähigkeit tiefer Erkennungsmodelle gegen komplexe Angriffe, analysiert Unterschiede in versteckten Aktivierungen von Merkmalen zwischen Angriffsmodellen und normalen Modellen und gibt Hinweise für die zukünftige Gestaltung von Algorithmen zur Erkennung von Angriffsmodellen und zur Stärkung der Widerstandsfähigkeit der Modelle gegen Angriffe.

Identifikation von Zielen in Multi-Sensor-Ferndetektionsbildern; Tiefe neuronale Netzwerke; Angriffe; Merkmalsvisualisierung; Bewertung der Widerstandsfähigkeit gegen Angriffe