申请/专利权人：天津大学

申请日：2019-09-03

公开（公告）日：2023-05-23

公开（公告）号：CN110728629B

主分类号：G06T5/00

分类号：G06T5/00;G06N3/04;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2023.05.23#授权;2020.02.25#实质审查的生效;2020.01.24#公开

摘要：本发明公开一种用于对抗攻击的图像集增强方法，是将要转换的数字图像x输入训练好的D2P图像风格转换网络模型，得到对应的模拟拍摄图像GD2Px；以模拟拍摄图像GD2Px为基础应用EOT方法对其几何变换进行采样，生成对不同角度与距离具有鲁棒性的对抗性噪声；将所述对抗性噪声添加到模拟拍摄图像GD2Px，得到对抗样本图像x’。本发明训练好的模型能够将数字图像转换为具有拍摄图像风格的模拟拍摄图像，在此基础上添加基于EOT算法产生的对抗噪声制成的对抗样本，具有鲁棒性。

主权项：1.一种用于对抗攻击的图像集增强方法，其特征在于，包括步骤：将要转换的数字图像x输入训练好的D2P图像风格转换网络模型，得到对应的模拟拍摄图像GD2Px；以模拟拍摄图像GD2Px为基础应用EOT方法对其几何变换进行采样，生成对不同角度与距离具有鲁棒性的对抗性噪声；将所述对抗性噪声添加到模拟拍摄图像GD2Px，得到对抗样本图像x’；所述D2P图像风格转换网络模型的形成过程如下：构建一对生成网络与一对判别网络；其中，生成网络为基于数字域的生成模型GD2P与基于物理域的生成模型GP2D，分别学习数字域的图像分布pdatad和物理域的数据分布pdatap，判别网络分别为CP与CD，用来分别判别生成模型GD2P与GP2D生成的图像是否属于其目标样本空间；生成网络与判别网络均为深度卷积神经网络；依次搭建正向循环网络框架与反向循环网络框架；其中，正向循环网络框架的搭建步骤如下：从数字图像训练集D的样本d，通过卷积核特征提取的方式输入数字域到物理域的生成模型GD2P中，由卷积神经网络从样本d中提取特征，通过组合图像的不相近特征，将图像在数字域中的特征向量转换为物理域中的特征向量，最后利用反卷积层完成从特征向量中还原出低级特征，输出与样本d同尺寸的模拟拍摄图像ps；将模拟拍摄图像ps输入与生成模型GD2P结构完全相同而功能相反的物理域到数字域的生成模型GP2D中，输出对应于模拟拍摄图像ps的同尺寸正向循环图像dcyc；将模拟拍摄图像ps与模拟图像训练集P的样本p同时输入判别网络CP，以判别生成模型GD2P的训练；判别达到预定目标后，训练完成；其中，反向循环网络框架的搭建步骤如下：将模拟图像训练集P的样本p输入生成模型GP2D得到模拟数字图像ds，并将模拟数字图像ds输入生成模型GD2P中生成反向循环图像pcyc；将模拟数字图像ds与样本d同时输入判别网络CD，判断模拟数字图像ds来自数字图像训练集D的概率；判别达到预定目标后，训练完成。

全文数据：

权利要求：

百度查询： 天津大学 一种用于对抗攻击的图像集增强方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD