1.一种图像分类方法,其特征在于,包括以下步骤:S1、获取图像数据,利用所述图像数据生成对抗样本;
S2、将生成的对抗样本作为卷积神经网络的输入,训练所述卷积神经网络,得到图像分类器;
其中,所述卷积神经网络包括输入层和输出层,所述输入层包括多个串联的卷积层,最后一个卷积层通过至少两个串联的激活压缩模块与输出层连接;
所述激活压缩模块包括特征对输入的特征进行包括如下步骤的处理:
1)对输入所述激活压缩模块的输入特征图进行卷积操作,获得中间特征图;
2)确定输入特征图对应的真实标签的类别c,根据类别c找到其对应的中间特征图,获取计算中间特征图所使用的卷积核参数;
3)利用所述卷积核参数对所述输入特征图进行特征抑制,得到抑制后的特征图;
步骤1)中,中间特征图O的以m,n为索引的中间输出特征值的表示为:其中,分别表示激活压缩模块输入特征图的高度、宽度和通道数,是大小为的卷积核,表示输入特征图的第i+m行第j+n列的特征值。
2.根据权利要求1所述的图像分类方法,其特征在于,。
3.根据权利要求1所述的图像分类方法,其特征在于,步骤3)中,索引位置[h,w]处的抑制后的特征图的计算公式为:其中, 分别为卷积神经网络训练阶段和测试阶段类别c所对应的卷积核中索引[h,w]位置的参数值,为输入特征图对应特征索引[h,w]位置的特征值。
4.根据权利要求1~3之一所述的图像分类方法,其特征在于,还包括:S3、利用所述图像分类器对实时获取的图像数据进行分类。
5.根据权利要求1~3之一所述的图像分类方法,其特征在于,所述激活压缩模块的损失函数表达式为:其中,表示激活压缩模块的总体损失函数,表示标准对抗分CE损失函数,表示激活压缩模块的损失函数,是激活压缩模块的输出,是对抗样本,y为标签,为加入了激活压缩模块后的卷积神经网络的参数,F指卷积核,是激活压缩模块的权重,是激活压缩模块损失的超参数。
6.一种终端设备,其特征在于,包括:
一个或多个处理器;
存储器,其上存储有一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1~5任一项所述方法的步骤。
7.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1~5任一项所述方法的步骤。