欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022106687750
申请人: 云南大学
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种攻击无依赖的可迁移对抗样本检测方法,其特征在于,包括以下步骤:S1:根据实际需要获取若干训练样本图像及其对应的分类标签,构成训练样本图像集;

S2:构造自编码网络模型、全局互信息估计模型、局部互信息估计模型和先验分布匹配判别模型,其中:自编码网络模型包括编码器和解码器,其中编码器用于对输入样本图像提取特征,解码器用于根据特征进行重构得到重构样本图像;

全局互信息估计模型用于估计输入样本图像和其高维特征表示向量间的全局互信息值,具体方法如下:将输入样本图像x输入自编码网络模型,编码器提取得到高维特征表示向量z,然后将1

编码器最后一层卷积层所输出的特征图f 一维化之后与高维特征表示向量z进行拼接,得1

到特征向量h ;然后将另一个参考输入样本图像x′输入自编码网络模型,将编码器最后一2

层卷积层所输出的特征图f一维化后与原输入样本图像的高维特征表示向量z进行拼接,

2 1 2

得到另一个特征向量h ;将上述两个特征向量h 和h分别输入预设的全局互信息判别模型

1 2

得到判别值T和T ,采用如下公式估计得到输入样本图像和其高维特征表示向量间的全局互信息估计值lg:

1 2

lg=log(T)+log(1‑T)

局部互信息用于估计输入样本图像和其高维特征表示向量间的局部互信息值,具体方法如下:将输入样本图像x输入自编码网络模型,编码器提取得到高维特征表示向量z,在编码1

器最后一层卷积层所输出的特征图f的每个位置拼接一个高维特征表示向量z,得到特征1

图像I ;然后将另一个输入样本图像x′输入自编码网络模型,将编码器最后一层卷积层所2

输出的特征图f 的每个位置拼接一个原输入样本图像的高维特征表示向量z,得到另一个

2 1 2

特征图像I ;将上述两个特征向量I 和I分别输入预设的全局互信息判别模型得到判别矩

1 2

阵R和R ,采用如下公式估计得到输入样本图像和其高维特征表示向量间的局部互信息估计值lm:

1 2 1 2

其中,R(i,j)、R (i,j)分别表示判别矩阵R和R中坐标(i,j)的元素值,i=1,2,…,M,j=1,2,…,H,M×H表示判别矩阵的大小;

先验分布匹配判别模型用于对输入样本图像的高维特征表示向量进行判别,得到判别值;

S3:采用训练样本图像对步骤S2中所构建的4个模型进行联合训练,具体包括以下步骤:S3.1:初始化自编码网络模型、全局互信息估计模型、局部互信息估计模型和先验分布匹配判别模型的参数,设置迭代次数t=1;

S3.2:将训练样本图像集随机划分为若干批次,记得到的训练样本图像的批次数量为K,每个批次中训练样本图像的数量为N;

S3.3:令批次序号k=1;

S3.4:将第k个批次的训练样本图像{x1,x2,…,xn,…,xN}输入自编码网络模型中,xn表示本批次中第n张训练样本图像,n=1,2,…,N,由编码器中获取该批次训练样本图像的高维特征表示向量{z1,z2,…,zn,…,zN},记编码器中最后一层卷积层输出的特征图为解码器基于图像的高维特征表示向量对图像进行重构,得到第k个批次训练样本图像的重构样本图像{G(z1),G(z2),…,G(zn),…,G(zN)};对每个训练样本图像的高维特征表示向量进行加噪处理,得到加噪后的高维特征表示向量{z1+ξ,z2+ξ,…,zn+ξ,…,zN+ξ},其中ξ表示噪声,解码器基于加噪后的高维特征表示向量对图像进行重构,得到第k个批次中训练样本图像的加噪重构样本图像{G(z1+ξ),G(z2+ξ),…,G(zn+ξ),…,G(zN+ξ)};

然后将第k个批次的训练样本图像重新随机排序,记得到的训练样本图像为{x′1,x′2,…,x′n,…,x′N},将重新随机排序后的训练样本图像输入自编码网络模型中,记编码器中最后一层卷积层输出的特征图为S3.5:对于第k个批次的每个训练样本图像xn,将重新随机排序后的训练样本图像x′n作为参考输入样本图像,将训练样本图像xn的高维特征表示向量zn、特征图 以及训练样本图像x′n的特征图 输入全局互信息估计模型中,得到训练样本图像xn和其高维特征表示向量zn的全局互信息估计值Ln,g;

将第k个批次中各个训练样本图像和其高维特征表示向量的全局互信息估计值进行平均,得到该批次的全局互信息估计值Lg;

S3.6:对于第k个批次的每个训练样本图像xn,将重新随机排序后的训练样本图像x′n作为参考输入样本图像,将训练样本图像xn的高维特征表示向量zn、特征图 以及训练样本图像x′n的特征图 输入局部互信息估计模型中,得到训练样本图像xn和其高维特征表示向量zn的局部互信息估计值Ln,m;

将第k个批次中各个训练样本图像和其高维特征表示向量的局部互信息估计值进行平均,得到当前批次的局部互信息估计值Lm;

S3.7:计算得到本批次中训练样本图像xn和重构样本图像G(zn)的均方误差,作为训练样本图像xn的重构损失Ln,c:Ln,c=||xn‑G(zn)||2

其中,|| ||2表示求取二范数;

将第k个批次中各个训练样本图像的重构损失进行平均,得到当前批次的重构损失Lc;

S3.8:计算得到本批次中重构样本图像G(zn)和加噪重构样本图像G(zn+ξ)的均方误差,作为训练样本图像xn的相对重构损失Ln,r:Ln,r=||G(zn)‑G(zn+ξ)||2

将第k个批次中各个训练样本图像的相对重构损失进行平均,得到当前批次的相对重构损失Lr;

S3.9:固定先验分布匹配判别模型的参数,将训练样本图像xn的高维特征表示向量zn输入至先验分布匹配判别模型中,得到判别值Dn,采用如下公式计算先验分布匹配损失Ln,p:Ln,p=‑Dn

将第k个批次中各个训练样本图像的先验分布匹配损失进行平均,得到当前批次的先验分布匹配损失Lp;

S3.10:采用如下公式计算得到自编码网络模型、全局互信息判别模型和局部互信息判别模型的总损失Lt:Lt=‑λg·Lg‑λm·Lm+λp·Lp+λc·Lc+λr·Lr其中,λg、λm、λp、λc、λr表示预设的权重。

根据总损失Lt对自编码网络模型、全局互信息判别模型和局部互信息判别模型的参数进行更新;

S3.11:首先固定自编码器模型的参数,生成当前批次中训练样本图像的高维特征表示向量{z1,z2,…,zn,…,zN},然后使用高斯分布随机生成与当前批次大小一致的向量{z′1,z′2,…,z′n,…,z′N},将各个向量分别输入至先验分布匹配判别模型中,得到判别值Dn和D′n,采用如下公式计算训练样本图像xn的先验分布匹配损失Ln,d:Ln,p=‑Dn‑D′n

将第k个批次中各个训练样本图像的先验分布匹配损失进行平均,得到当前批次的先验分布匹配损失Ld,然后根据先验分布匹配损失Ld对先验分布匹配判别模型的参数进行更新;

S3.12:判断是否批次序号k<K,如果是,进入步骤S3.13,否则进入步骤S3.14。

S3.13:令批次序号k=k+1,返回步骤S3.4;

S3.14:判断是否迭代次数t<T,T表示预设的最大迭代次数,如果是,进入步骤S3.15,否则模型训练结束;

S3.15:令迭代次数t<t+1,返回步骤S3.2;

S4:提取步骤S3中训练好的自编码器网络模型中的编码器,构建一个分类器,由编码器和分类器构成对抗样本检测模型,其中编码器用接收样本图像得到高维特征分布,分类器根据高维特征分布确定样本图像的分类;

S5:将步骤S1中获取的训练样本图像集中的训练样本图像作为对抗样本检测模型的输入,对应分类标签作为对抗样本检测模型的期望输出,固定编码器参数,对对抗样本检测模型进行训练;

S6:对于待检测样本图像,将其分别输入至目标模型和对抗样本检测模型,如果得到的分类结果一致,则该样本图像不是对抗样本,不具有对抗性,否则该样本图像是对抗样本。