買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜西安郵電大學(xué)申請的專利一種深度神經(jīng)網(wǎng)絡(luò)圖像分類模型魯棒性提升方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN114022707B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-03-21發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202111282686.4，技術(shù)領(lǐng)域涉及：G06V10/764；該發(fā)明授權(quán)一種深度神經(jīng)網(wǎng)絡(luò)圖像分類模型魯棒性提升方法是由孫家澤;李娟;王小銀;王曙燕設(shè)計研發(fā)完成，并于2021-11-01向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種深度神經(jīng)網(wǎng)絡(luò)圖像分類模型魯棒性提升方法在說明書摘要公布了：本發(fā)明針對深度神經(jīng)網(wǎng)絡(luò)圖像分類模型魯棒性問題，公開了一種深度神經(jīng)網(wǎng)絡(luò)圖像分類模型魯棒性提升方法，屬于機(jī)器學(xué)習(xí)和AI智能安全領(lǐng)域。該方法首先基于相同的訓(xùn)練樣本集訓(xùn)練n個模型，然后以最大化神經(jīng)元覆蓋率和模型差異行為為指導(dǎo)構(gòu)建聯(lián)合優(yōu)化問題，更新測試樣本集中未使n個圖像分類模型產(chǎn)生差異行為的樣本圖像，并采用梯度上升方法求解聯(lián)合優(yōu)化問題，得到具有高神經(jīng)元覆蓋率且使n個圖像分類模型產(chǎn)生差異行為的樣本集，最后對樣本集分類并標(biāo)記正確的標(biāo)簽，加入訓(xùn)練樣本集重新訓(xùn)練圖像分類模型。本發(fā)明方法能夠激活圖像分類模型更多的神經(jīng)元，有助于模型在極端輸入下作出正確分類且分類準(zhǔn)確率提高，由此模型魯棒性得到提升。

本發(fā)明授權(quán)一種深度神經(jīng)網(wǎng)絡(luò)圖像分類模型魯棒性提升方法在權(quán)利要求書中公布了：1.一種深度神經(jīng)網(wǎng)絡(luò)圖像分類模型魯棒性提升方法，其特征在于包括以下步驟：步驟一：對n個深度神經(jīng)網(wǎng)絡(luò)圖像分類模型，基于相同的圖像分類數(shù)據(jù)集，數(shù)據(jù)集包括訓(xùn)練樣本集D和測試樣本集C，使用訓(xùn)練樣本集D對模型進(jìn)行訓(xùn)練，得到n個圖像分類模型F1,F2,...,Fn，n是圖像分類模型個數(shù)，是大于等于2的整數(shù)，F(xiàn)n代表第n個圖像分類模型；步驟二：從測試樣本集C中隨機(jī)選取m個樣本構(gòu)成輸入樣本集Z；步驟三：對于輸入樣本集Z中的每一個樣本圖像x，使用步驟一訓(xùn)練好的圖像分類模型對樣本圖像x進(jìn)行分類，n個圖像分類模型將樣本圖像x分類為不同的類別或分類為同一類別但與x的標(biāo)簽不一致表示n個圖像分類模型存在差異行為，x被分類為同一類別且與x的標(biāo)簽一致則表示n個圖像分類模型未存在差異行為；步驟四：對于已經(jīng)使n個圖像分類模型產(chǎn)生差異行為的樣本圖像x保存在樣本集S中；步驟五：對于未使n個圖像分類模型產(chǎn)生差異行為的樣本圖像x，建立聯(lián)合優(yōu)化問題更新樣本圖像x，產(chǎn)生新的樣本圖像a，具體地，優(yōu)化問題有兩個子目標(biāo)：目標(biāo)一obj1為最大化目標(biāo)圖像分類模型與其它圖像分類模型之間的差異行為，目標(biāo)二obj2為最大化n個圖像分類模型的神經(jīng)元覆蓋率，聯(lián)合優(yōu)化問題總目標(biāo)obj表示為obj＝obj1+μobj2 其中聯(lián)合優(yōu)化問題總目標(biāo)obj表示為目標(biāo)一和添加了平衡參數(shù)的目標(biāo)二之和，μ是兩個子目標(biāo)之間的平衡參數(shù)，obj1表示目標(biāo)圖像分類模型與其它圖像分類模型分類樣本圖像x的類別差異的最大化，F(xiàn)ix[c]表示圖像分類模型Fi分類樣本圖像x為類別c的概率，F(xiàn)i為第i個圖像分類模型，F(xiàn)j是目標(biāo)圖像分類模型，λ是平衡參數(shù)，用來平衡圖像分類模型Fi和目標(biāo)圖像分類模型Fj的輸出，obj2表示最大化n個圖像分類模型在輸入樣本圖像x時的神經(jīng)元覆蓋率之和，fix表示輸入樣本圖像x時圖像分類模型Fi的神經(jīng)元覆蓋率；步驟六：設(shè)置約束條件1為像素修改范圍為0-255，約束條件2為允許增加或減少上升迭代時梯度平均值個像素，使圖像更亮或更暗，約束條件3為允許在圖像的任意位置放置一個小矩形，模擬鏡頭有污垢的場景；步驟七：設(shè)置神經(jīng)元激活閾值t為該神經(jīng)元所在層所有神經(jīng)元輸出的均值，計算n個圖像分類模型在樣本圖像x下的神經(jīng)元覆蓋表，具體地，神經(jīng)元輸出超過t的記為已激活，反之則記為未激活；步驟八：采用梯度上升方法對聯(lián)合優(yōu)化問題求解，具體為，設(shè)置梯度迭代次數(shù)，針對每一個圖像分類模型，從步驟七構(gòu)建的神經(jīng)元覆蓋表中尋找未被激活的一個神經(jīng)元記為激活狀態(tài)，初始梯度為聯(lián)合優(yōu)化問題對樣本圖像x的導(dǎo)數(shù)，滿足約束條件的前提下迭代地增加梯度更新樣本圖像x，更新后的樣本圖像x記為樣本圖像a；步驟九：重復(fù)步驟八直至樣本圖像a被n個模型分類為不同的類別或分類為同一類別但與a的真實標(biāo)簽不一致，則將它保存在樣本集S中，或達(dá)到梯度迭代次數(shù)時停止；步驟十：對樣本集S進(jìn)行分類，被圖像分類模型F1分類錯誤的樣本標(biāo)記上正確的類別標(biāo)簽保存在S1中，被圖像分類模型F2分類錯誤的樣本標(biāo)記上正確的類別標(biāo)簽保存在S2中，...，被圖像分類模型Fn分類錯誤的樣本標(biāo)記上正確的類別標(biāo)簽保存至Sn中；步驟十一：重新訓(xùn)練n個圖像分類模型，圖像分類模型Fi使用的訓(xùn)練樣本集為訓(xùn)練樣本集D與針對其模型生成的樣本集Si的并集，將樣本集Si加入訓(xùn)練樣本集進(jìn)行訓(xùn)練能夠有效激活圖像分類模型Fi更多的神經(jīng)元，提升模型魯棒性。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人西安郵電大學(xué)，其通訊地址為：710065 陜西省西安市長安南路563號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。