Core Concepts
본 연구는 SAR 이미지 분류를 위한 새로운 대조 학습 기반 강건한 프레임워크 FACTUAL을 제안한다. FACTUAL은 실제 물리적 공격을 고려한 새로운 퍼터베이션 기법과 레이블 정보를 활용한 지도 학습 기반 대조 학습을 통해 강건한 표현을 학습한다. 이를 통해 깨끗한 샘플과 퍼터베이션된 샘플에 대해 모두 우수한 성능을 달성한다.
Abstract
본 연구는 SAR 이미지 분류를 위한 새로운 대조 학습 기반 강건한 프레임워크 FACTUAL을 제안한다.
데이터 증강 단계에서는 표준 데이터 증강 기법과 함께 PGD와 OTSA 공격을 사용하여 퍼터베이션된 샘플을 생성한다.
지도 학습 기반 대조 학습 사전 학습 단계에서는 레이블 정보를 활용하여 깨끗한 샘플과 퍼터베이션된 샘플을 같은 클래스로 묶어 더 정보적인 표현을 학습한다.
마지막으로 선형 분류기를 통해 학습된 표현을 이용하여 이미지 분류를 수행한다.
실험 결과, FACTUAL은 깨끗한 샘플에 대해 99.7%의 정확도와 퍼터베이션된 샘플에 대해 89.6%의 정확도를 달성하여 기존 최신 방법들을 뛰어넘는 성능을 보였다. 또한 깨끗한 샘플과 퍼터베이션된 샘플 간 정확도 차이가 10.1%로 매우 작아 강건성과 일반화 성능이 우수함을 보였다.
Stats
SAR 이미지 분류 모델의 깨끗한 샘플에 대한 정확도는 99.7%이다.
SAR 이미지 분류 모델의 퍼터베이션된 샘플에 대한 정확도는 89.6%이다.
깨끗한 샘플과 퍼터베이션된 샘플 간 정확도 차이는 10.1%이다.