1.一种基于联合损失函数的图像对抗样本生成方法，其特征在于，包括：获取随机噪声样本，及待攻击模型的若干图像样本；

将所述图像样本输入生成网络以生成对抗样本，并基于所述对抗样本与所述图像样本间的差异构建第一损失函数；然后，将所述图像样本及所述对抗样本分别输入判别网络，以基于输出的预测结果与相应的真实标签构建第二损失函数；

其中，所述第一损失函数为：

其中，|pn|表示所述图像样本与所述对抗样本中第n个像素点处的像素距离；

所述第二损失函数为：

其中，t为所述图像样本或所述对抗样本的真实标签，图像样本为正样本，记作1，对抗样本为负样本，记作0；为判别网络输出为正样本的概率；

将所述对抗样本输入待攻击模型，以基于输出的标签信息构建第三损失函数；将所述图像样本输入待攻击模型以获得对应的注意力权重，并通过图像金字塔获取所述对抗样本及所述随机噪声样本在不同尺度下的特征张量，以基于所述注意力权重，所述对抗样本不同尺度下的特征张量，及所述随机噪声样本不同尺度下的特征张量构建第四损失函数；

其中，所述第三损失函数为：Ldect＝λobjLobj(Z|Ο,σ)+λlocLloc(Z|Ο,σ)+λprobLprob(Z|Ο,σ)；

其中，Lobj为置信度损失项，λobj为置信度损失系数；Lloc为检测框位置损失项，λloc为检测框位置损失系数；Lprob为检测类别损失，λprob为检测类别损失系数；Z为对抗样本，σ为待攻击模型的参数；Ο＝{οz|Pz＝0，1≤z≤S}表示人为预设的虚假标签，其中，z表示检测框的ID，οz表示检测框z的坐标位置和类别概率，Pz＝0表示所述检测框z正确标记待识别目标的置信度为0，S为待识别目标的总数；

所述第四损失函数为：

其中，EI表示期望值，M表示图像金字塔中不同尺度的特征层的总数，m＝1,2,…,M依次表示不同尺度的特征层；Xm表示所述对抗样本在第m特征层上计算得到的特征张量；Rm表示所述随机噪声样本在第m特征层上计算得到的特征张量；Am为所述图像样本的注意力权重，其中，检测框内像素的权重大于检测框外像素的权重；

通过所述第一损失函数、所述第二损失函数、所述第三损失函数及所述第四损失函数构建联合损失函数，以分别对所述生成网络及所述判别网络的权重参数进行更新；

其中，所述联合损失函数为：

重复执行上述步骤直至获得最优化的生成网络，并将所述图像样本输入其中以得到最终的对抗样本。

2.根据权利要求1所述的基于联合损失函数的图像对抗样本生成方法，其特征在于，所述注意力权重通过如下步骤获取：获取任一所述图像样本中所有检测框，定义第k个检测框内含有待识别目标的置信度为Sk，并将其赋给第k个所述检测框内像素的权重；相应的，所述第k个所述检测框外像素的权重为0；

累加所有所述检测框内像素的权重；其中，当存在检测框交叉时取最大权重作为该像素的权重；

对累加的权重进行归一化处理以获得所述注意力权重。

3.根据权利要求1所述的基于联合损失函数的图像对抗样本生成方法，其特征在于，所述基于输出的预测结果与真实标签构建第二损失函数，包括：将所述图像样本及所述对抗样本输入所述判别网络；其中，所述判别网络依次包括五个卷积层，且中间三个所述卷积层上还添加有BatchNorm层；

基于各所述卷积层进行逐层降采样前向传播，并通过一全连接层输出所述图像样本及所述对抗样本的判别结果以形成预测结果；其中，前四个所述卷积层采用LeakyReLU激活函数，最后一个所述卷积层采用Sigmoid激活函数；

基于所述预测结果与对应的真实标签构建第二损失函数。

4.根据权利要求1所述的基于联合损失函数的图像对抗样本生成方法，其特征在于，所述将所述图像样本输入生成网络以生成对抗样本，包括：通过编码器对所述图像样本进行低维特征表示，并基于各卷积层进行特征提取；

通过解码器将提取的特征映射至样本标记空间以生成扰动量；

其中，所述生成网络包括八个卷积层，且前七个卷积层采用LeakyReLU激活函数，最后一个卷积层采用Tanh激活函数；

将所述扰动量添加至所述图像样本以得到所述对抗样本。

5.一种基于联合损失函数的图像对抗样本生成系统，其特征在于，基于权利要求1所述的方法搭建，包括：第一获取模块，用于获取随机噪声样本，及待攻击模型的若干图像样本；

生成对抗模块，用于将所述图像样本输入生成网络以生成对抗样本，并基于所述对抗样本与所述图像样本间的差异构建第一损失函数；将所述图像样本及所述对抗样本分别输入判别网络，以基于输出的预测结果与真实标签构建第二损失函数；

第一构建模块，用于将所述对抗样本输入待攻击模型，以基于输出的检测框构建第三损失函数；将所述图像样本输入待攻击模型以获得对应的注意力权重，并通过图像金字塔获取所述对抗样本及所述随机噪声样本在不同尺度下的特征张量，以同时基于它们构建第四损失函数；

第二构建模块，用于通过所述第一损失函数、所述第二损失函数、所述第三损失函数及所述第四损失函数构建联合损失函数，以分别对所述生成网络及判别网络的权重参数进行更新；

迭代优化模块，用于重复调用上述各模块直至获得最优化的生成网络，并将所述图像样本输入其中以得到最终的对抗样本。

6.根据权利要求5所述的基于联合损失函数的图像对抗样本生成系统，其特征在于，所述第一构建模块包括：第二获取模块，用于获取任一所述图像样本中所有检测框，定义第k个检测框内含有待识别目标的置信度为Sk，并将其赋给第k个所述检测框内像素的权重；相应的，所述第k个所述检测框外像素的权重为0；

权重累加模块，用于累加所有所述检测框内像素的权重；其中，当存在检测框交叉时取最大权重作为该像素的权重；

归一化处理模块，用于对累加的权重进行归一化处理以获得所述注意力权重。

7.根据权利要求5所述的基于联合损失函数的图像对抗样本生成系统，其特征在于，所述生成对抗模块包括生成模块，所述生成模块包括：第一提取模块，用于通过编码器对所述图像样本进行低维特征表示，并基于各卷积层进行特征提取；

扰动生成模块，用于通过解码器将提取的特征映射至样本标记空间内以生成扰动量；

第一输出模块，用于将所述扰动量添加至所述图像样本以得到所述对抗样本。

8.根据权利要求5所述的基于联合损失函数的图像对抗样本生成系统，其特征在于，所述生成对抗模块包括对抗模块，所述对抗模块包括：第二提取模块，用于将所述图像样本及所述对抗样本输入所述判别网络；其中，所述判别网络依次包括五个卷积层，且中间三个所述卷积层上还添加有BatchNorm层；

判别模块，用于基于各所述卷积层进行逐层降采样前向传播，并通过一全连接层输出对所述图像样本及所述对抗样本的判别结果以形成预测结果；其中，前四个所述卷积层采用LeakyReLU激活函数，最后一个所述卷积层采用Sigmoid激活函数；

第二输出模块，用于基于所述预测结果与对应真实标签构建第二损失函数。