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

龍圖騰網(wǎng)恭喜電子科技大學申請的專利一種增強圖像分類魯棒性的方法獲國家發(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：CN112926661B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-05-30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：202110222508.6，技術(shù)領(lǐng)域涉及：G06V10/764；該發(fā)明授權(quán)一種增強圖像分類魯棒性的方法是由牛偉納;丁康一;張小松;張鈳旋;李信強;孫遜設(shè)計研發(fā)完成，并于2021-02-26向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種增強圖像分類魯棒性的方法在說明書摘要公布了：本發(fā)明屬于計算機軟件領(lǐng)域，具體為一種增強圖像分類魯棒性的方法，能夠增強分類模型的抗干擾性與魯棒性。目的在于能夠防御大多數(shù)傳統(tǒng)白盒對抗樣本的攻擊。主要包括，對抗樣本檢測網(wǎng)絡(luò)生成模塊：通過在原始分類器基礎(chǔ)上添加神經(jīng)網(wǎng)絡(luò)層來構(gòu)建一個對抗樣本檢測網(wǎng)絡(luò)該網(wǎng)絡(luò)主要識別對抗樣本；判斷閾值生成模塊：利用常用的對抗樣本方法來找到對抗樣本檢測網(wǎng)絡(luò)合適的判斷閾值。增強模型生成模塊：在原始模型的圖像分類器的分類基礎(chǔ)上，結(jié)合前述檢測網(wǎng)絡(luò)的分類結(jié)果進一步訓練得到一個增強的圖像分類器，最后利用增強后的圖像分類器來進行圖像的分類，從而提高分類器的魯棒性。

本發(fā)明授權(quán)一種增強圖像分類魯棒性的方法在權(quán)利要求書中公布了：1.一種增強圖像分類魯棒性的方法，其特征在于，包括：對抗樣本檢測網(wǎng)絡(luò)生成模塊:獲取原始圖像分類器的結(jié)構(gòu)，獲取最后一個全連接層之前的隱層，在此基礎(chǔ)上添加幾個全連接層形成圖像檢測網(wǎng)絡(luò)，圖像檢測網(wǎng)絡(luò)的最后一層將映射成原始圖像的大小，通過優(yōu)化原始圖像和圖像檢測網(wǎng)絡(luò)輸出圖像的L2距離來訓練檢測檢測網(wǎng)絡(luò)；判斷閾值生成模塊：利用常用的對抗樣本方法生成一定數(shù)量的對抗樣本，結(jié)合正常的圖像數(shù)據(jù)集，得到判斷閾值n；增強模型生成模塊：在原始圖像分類結(jié)果基礎(chǔ)上，結(jié)合前述圖像檢測網(wǎng)絡(luò)進一步訓練得到一個增強模型，該增強后的圖像分類結(jié)果作為最終的圖像分類結(jié)果;檢測網(wǎng)絡(luò)生成模塊中：S4.1、訓練網(wǎng)絡(luò)過程中，以最小化檢測網(wǎng)絡(luò)輸出的重構(gòu)圖像與原始圖像的L2距離為目標函數(shù)，迭代訓練；S4.2、對全連接層layer1輸出進行組合操作，按照神經(jīng)元的順序兩兩組合，即將2個神經(jīng)元的對應輸出相加，與layer2層全連接時，傳入的數(shù)據(jù)為最后組合后的輸出；S4.3、最終檢測網(wǎng)絡(luò)的輸出為原始圖像大小的重構(gòu)圖像;上述方案中，訓練判斷閾值生成模塊有如下特征：生成判斷閾值時采用如下步驟：S5.1:使用正常圖像數(shù)據(jù)集以及不低于正常圖像數(shù)據(jù)集15%-25%數(shù)量的對抗樣本圖像進行組合得到圖像數(shù)據(jù)集;S5.2:將圖像數(shù)據(jù)集傳入對抗樣本檢測網(wǎng)絡(luò)，并得到檢測網(wǎng)絡(luò)的輸出的重構(gòu)圖像集；S5.3：計算所有輸出的重構(gòu)圖像與對應輸入的圖像數(shù)據(jù)的L2距離，記Lmax為最大值，Lmin為最小值；S5.4：置參數(shù)n為Lmin；S5.5：統(tǒng)計在當前參數(shù)n的條件下所有正確圖像樣本中判定為對抗樣本圖像的概率tf，以及所有判定為對抗樣本圖像中實際是對抗樣本圖像的概率fp，記，代表第i次搜索時閾值的有效性；S5.6:當n的值不大于Lmax時則更新,并執(zhí)行S5.5步驟，反之則執(zhí)行S5.7，其中K為迭代次數(shù)；S5.7：找出使得最大的n的取值，置;增強圖像分類器生成模塊中增強圖像分類器的輸入構(gòu)建步驟如下：S6.1.對于每一個圖像數(shù)據(jù)輸入，i代表第i個輸入數(shù)據(jù)，首先計算出與圖像檢測網(wǎng)絡(luò)的輸出的L2距離，當時，設(shè)置對應的為1，否則設(shè)置為0，代表的檢測網(wǎng)絡(luò)對其的分類結(jié)果；S6.2.對于每個將其對應原始模型沒有經(jīng)過softmax層處理的logits層的輸出結(jié)果與構(gòu)建成后續(xù)增強模型的訓練數(shù)據(jù)，該輸入數(shù)據(jù)即是在原始輸出結(jié)果上添加了檢測網(wǎng)絡(luò)的判定結(jié)果。

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)人電子科技大學，其通訊地址為：611731 四川省成都市高新區(qū)(西區(qū))西源大道2006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)”。