1.残差连接的轻量型去噪网络来提高对抗鲁棒性的方法,其特征在于,包括以下步骤:S1,将原始样本的图像像素进行归一化;
S2,在原始样本中添加随机扰动,形成扰动样本;
S3,网络模型第一阶段的训练:将所述扰动样本在含有内部去噪块的Denoisingnetwork1中进行去噪处理,并得到对应的恢复样本,Denoising network1由三个卷积层和两个内部去噪块构成;
S4,网络模型第二阶段的训练:将所述扰动样本通过中间去噪块进行处理,然后再与所述恢复样本进行融合获得融合样本,将所述融合样本在Denoising network2中进行进一步去噪处理,Denoising network2与Denoising network1结构相同;
所述网络模型中采用轻量型的去噪卷积神经网络L-DnCNN作为去噪块;
所述内部去噪块的设置步骤如下: 步骤一,所述 L-DnCNN 设置有多个,多个所述 L-DnCNN 之间进行串联,且串联的个数设定为 2;通过增加去噪块的容量和数量来提升去噪块的去噪能力;步骤二,对 2 个串联的 L-DnCNN 进行残差连接,具有残差连接的轻量型去噪网络(LDN-RS)被用作内部去噪块;
所述中间去噪块的设置步骤如下:步骤一:将含有噪声的样本经过 LDN-RS 处理;步骤二:将步骤一处理后的样本与在第一阶段转换块输出的恢复样本进行融合。
2.根据权利要求1所述残差连接的轻量型去噪网络来提高对抗鲁棒性的方法,其特征在于,还包括步骤:S5,微调阶段:将所述S4中的恢复样本作为网络模型的输入,再次得到相应的第二恢复样本和预测标签。
3.根据权利要求1所述残差连接的轻量型去噪网络来提高对抗鲁棒性的方法,其特征在于,步骤S3中,转换块输出的恢复样本与对应的原始样本的均方差数值需小于设定阈值,具体实现的过程包括以下步骤:A,计算扰动样本与原始样本的恢复样本及对应预测标签;
B,计算扰动样本经转换块处理后得到的恢复样本与原始样本的均方差损失;
C,通过误差反向传播,直至扰动样本的均方差损失小于设定阈值。
4.根据权利要求1所述残差连接的轻量型去噪网络来提高对抗鲁棒性的方法,其特征在于,步骤S3中,网络模型为深度神经网络模型,所述深度神经网络模型选择Resnet50/101/152作为防御对抗攻击的原始网络模型。
5. 根据权利要求4所述残差连接的轻量型去噪网络来提高对抗鲁棒性的方法,其特征在于,所述深度神经网络模型以原始Resnet-50作为基线,采用early-stop方法进行网络训练,并利用Adversarial Robustness Toolbox(ART)工具来测试在不同数据集上所训练网络模型的性能。
6.根据权利要求2所述残差连接的轻量型去噪网络来提高对抗鲁棒性的方法,其特征在于,步骤S5中,微调阶段的具体实现包括以下步骤:a,将步骤S3中所述的恢复样本作为微调阶段网络模型的输入,得到相应的第二恢复样本和预测标签,b,计算第二恢复样本的交叉熵损失与均方差损失。
7.根据权利要求1-6任一项所述残差连接的轻量型去噪网络来提高对抗鲁棒性的方法,其特征在于,所述L-DnCNN模型的深度设为7,中间块的数量设为5。