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)恭喜浙江工業(yè)大學(xué)申請的專利一種基于損失函數(shù)敏感度的深度學(xué)習(xí)樣本測試方法與裝置獲國家發(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：CN114707572B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-04-29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：202210173151.1，技術(shù)領(lǐng)域涉及：G06V10/774；該發(fā)明授權(quán)一種基于損失函數(shù)敏感度的深度學(xué)習(xí)樣本測試方法與裝置是由陳晉音;李曉豪;金海波;鄭海斌;宣琦;倪洪杰設(shè)計研發(fā)完成，并于2022-02-24向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種基于損失函數(shù)敏感度的深度學(xué)習(xí)樣本測試方法與裝置在說明書摘要公布了：本發(fā)明公開了一種基于損失函數(shù)敏感度的深度學(xué)習(xí)樣本測試方法與裝置，獲取圖像數(shù)據(jù)集作為干凈樣本，構(gòu)建深度學(xué)習(xí)網(wǎng)絡(luò)；對圖像數(shù)據(jù)集進(jìn)行對抗攻擊操作，得到對抗樣本；并進(jìn)行篩選，得到總樣本集，劃分為訓(xùn)練樣本集與測試樣本集；設(shè)定損失函數(shù)敏感度函數(shù)；建立粒子群優(yōu)化模型，計算損失敏感度漂移值，進(jìn)行迭代更新，選取正常樣本與對抗樣本兩類最優(yōu)漂移樣本集；利用最優(yōu)漂移樣本集進(jìn)行訓(xùn)練，得到損失敏感度分類器；將兩類最優(yōu)漂移樣本集輸入深度學(xué)習(xí)網(wǎng)絡(luò)重訓(xùn)練，得到測試模型；將測試樣本集輸入測試模型迭代，尋找最優(yōu)漂移噪聲樣本，計算最優(yōu)漂移噪聲樣本的損失函數(shù)敏感度漂移值，利用損失敏感度分類器判別，完成樣本的檢測。

本發(fā)明授權(quán)一種基于損失函數(shù)敏感度的深度學(xué)習(xí)樣本測試方法與裝置在權(quán)利要求書中公布了：1.一種基于損失函數(shù)敏感度的深度學(xué)習(xí)樣本測試方法，其特征在于，包括以下步驟：1獲取圖像數(shù)據(jù)集作為正常樣本，構(gòu)建深度學(xué)習(xí)網(wǎng)絡(luò)；2選取對抗攻擊方法，對步驟1獲取的圖像數(shù)據(jù)集進(jìn)行對抗攻擊操作，得到對抗樣本；并進(jìn)行篩選，將篩選后的正常樣本和對抗樣本作為總樣本集；將總樣本集劃分為訓(xùn)練樣本集與測試樣本集；3基于損失函數(shù)和訓(xùn)練樣本集設(shè)定損失敏感度函數(shù)；所述步驟3具體為：3.1構(gòu)建損失函數(shù)：將交叉熵函數(shù)設(shè)置為損失函數(shù)，公式為： 其中，C表示分類結(jié)果的個數(shù)；N表示訓(xùn)練樣本的總數(shù)，h為網(wǎng)絡(luò)的最終輸出，hyi是類標(biāo)簽yi經(jīng)深度學(xué)習(xí)網(wǎng)絡(luò)后的輸出，hj是第j個分類結(jié)果經(jīng)深度學(xué)習(xí)網(wǎng)絡(luò)后的輸出；3.2構(gòu)建損失敏感度函數(shù)：利用損失函數(shù)對訓(xùn)練樣本求導(dǎo)生成的梯度函數(shù)作為目標(biāo)函數(shù)，并利用二階范數(shù)對其進(jìn)行降維，其函數(shù)為： 式中，▽xloss表示對利用損失函數(shù)loss對訓(xùn)練樣本x求偏導(dǎo)；通過在訓(xùn)練樣本集上添加不同程度的噪聲生成新的噪聲樣本，并且將訓(xùn)練樣本集與噪聲樣本同時輸入到深度學(xué)習(xí)網(wǎng)絡(luò)中生成損失函數(shù)值；利用訓(xùn)練樣本集與噪聲樣本的損失函數(shù)的偏移值，作為其損失敏感度函數(shù)：Ls＝Lfnoise-Lfnor其中，Lfnoise是添加噪聲后的訓(xùn)練樣本的損失敏感度值，Lfnor是初始未添加噪聲的訓(xùn)練樣本的損失敏感度值；4建立粒子群優(yōu)化模型，計算所有樣本的損失敏感度漂移值，對損失敏感度漂移值進(jìn)行迭代更新，選取正常樣本與對抗樣本兩類最優(yōu)漂移樣本集；利用最優(yōu)漂移樣本集進(jìn)行訓(xùn)練，得到損失敏感度分類器；所述步驟4具體包括以下步驟：4.1對輸入的所有樣本添加隨機(jī)噪聲，進(jìn)行粒子群優(yōu)化模型初始化；4.2樣本損失敏感度漂移值計算：輸入的所有樣本，通過步驟3設(shè)定的損失敏感度函數(shù)計算初始化后的添加隨機(jī)噪聲的每一樣本的損失敏感度值，然后與該樣本的損失敏感度值作差，得到不同噪聲樣本的損失敏感度值的漂移值；4.3更新歷史最優(yōu)位置與全局最優(yōu)位置：計算粒子群的損失函數(shù)敏感度值，比較歷史最佳損失函數(shù)敏感度并更新每個粒子的歷史最優(yōu)位置pbest、粒子群的全局最優(yōu)位置gbest；4.4更新粒子群的速度vi和位置xi；4.5最優(yōu)漂移樣本選取：對輸入的所有樣本的損失函數(shù)敏感度進(jìn)行不斷地更新與優(yōu)化，產(chǎn)生不同損失敏感度的噪聲樣本，在同一張輸入樣本的迭代更新中，記錄下每張樣本對應(yīng)的最大損失函數(shù)敏感度的噪聲樣本，即最優(yōu)漂移樣本；將正常樣本和對抗樣本生成的不同最優(yōu)漂移樣本匯總，組成正常樣本與對抗樣本兩類最優(yōu)漂移樣本集；4.6損失敏感度分類器構(gòu)建：選取最優(yōu)漂移樣本區(qū)間記錄下不同類樣本的漂移區(qū)間，組成樣本區(qū)間數(shù)據(jù)集，該數(shù)據(jù)集包括正常樣本漂移區(qū)間類與對抗樣本漂移區(qū)間類，利用二分類器，對上述數(shù)據(jù)集進(jìn)行訓(xùn)練，訓(xùn)練出可以根據(jù)損失敏感度能分辨正常樣本與對抗樣本的二分類器；將該二分類器作為損失敏感度分類器；5將步驟4得到的兩類最優(yōu)漂移樣本集輸入步驟1構(gòu)建的深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行重訓(xùn)練，得到測試模型；將步驟2得到的測試樣本集輸入測試模型進(jìn)行迭代更新，尋找出該測試樣本集對應(yīng)的最優(yōu)漂移樣本，計算出最優(yōu)漂移樣本的損失函數(shù)敏感度漂移值，并將該漂移值輸入到步驟4構(gòu)建的損失敏感度分類器中進(jìn)行判別，完成樣本的檢測。

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)人浙江工業(yè)大學(xué)，其通訊地址為：310014 浙江省杭州市下城區(qū)潮王路18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)”。