본 논문은 원격 감지 분야에서 심층 신경망(DNN)의 적대적 공격 취약성을 해결하기 위해, 지역적 혼합과 로짓 최적화를 기반으로 하는 새로운 프레임워크를 제안합니다. 기존의 혼합 기반 전략의 한계(전역 혼합 또는 지역 교체로 인한 의미 정보 손실 및 기울기 소실 문제)를 극복하기 위해, 지역적 영역만 혼합하여 전역 의미 정보를 보존하고, 표적 공격에서 사용되는 로짓 손실을 비표적 공격에 적용하여 기울기 소실 문제를 완화합니다. 또한, 고주파 노이즈를 억제하고 전이성을 향상시키기 위해 섭동 평활화 손실을 적용합니다. FGSCR-42 및 MTARSI 데이터셋을 사용한 실험 결과, 12개의 최첨단 방법보다 우수한 성능을 보였으며, 특히 MTARSI 데이터셋에서 ResNet을 대리 모델로 사용했을 때 블랙박스 공격 성공률이 평균 17.28% 향상되었습니다.
