申请/专利权人:浙江工业大学
申请日:2020-10-28
公开(公告)日:2024-03-19
公开(公告)号:CN112215780B
主分类号:G06T5/77
分类号:G06T5/77;G06T5/70;G06T5/90;G06T5/50;G06V10/774;G06V10/82;G06N3/045;G06N3/0464;G06N3/0475;G06N3/094
优先权:
专利状态码:有效-授权
法律状态:2024.03.19#授权;2021.01.29#实质审查的生效;2021.01.12#公开
摘要:本发明公开了一种基于类特征修复融合的图像取证对抗性攻击防御方法,包括:将含有对抗扰动的原始图像输入至基于卷积神经网络构建的分类模型中,并对提取特征图进行类特征可视化,基于可视化结果获取重构区域后,对重构区域进行特征修复,获得修复图像;原始图像去噪处理后得到去噪图像,融合修复图像和去噪图像,得到融合图像,依据融合图像的像素分布特征,选择图像质量高的若干个分类区域输入至分类模型中,将分类模型输出的最高分类概率作为防御后的类标。该方法能够提高深度学习模型鲁棒性并准确还原取证信息。
主权项:1.一种基于类特征修复融合的图像取证对抗性攻击防御方法,其特征在于,包括以下步骤:将含有对抗扰动的原始图像输入至基于卷积神经网络构建的分类模型中提取特征,并对提取特征图进行类特征可视化,基于可视化结果获取重构区域后,对重构区域进行特征修复,获得修复图像;原始图像去噪处理后得到去噪图像,融合修复图像和去噪图像,得到融合图像,依据融合图像的像素分布特征,选择图像质量高的若干个分类区域输入至分类模型中,将分类模型输出的最高分类概率作为防御后的类标,其中,依据融合图像的像素分布特征,选择图像质量高的若干个分类区域的过程为:将融合图像的像素值归一化为0~1之间,并从融合图像中选取多个尺寸为M×N的候选分类区域,计算每个候选分类区域的每个颜色通道的像素平均值和像素标准差: 其中,k作为颜色通道索引,取值为1,2,3,分别表示R,G,B颜色通道,表示第k个通道的像素平均值,σk表示第k个通道的像素标准差,Bijk表示第k个通道位置i,j处的像素值;对像素平均值和像素标准差σk进行非线性变换,公式如下: 其中,像素平均值的非线性变换强调像素的平均值,因此对较亮和不饱和的区域给予更好的分数像素标准差σk的非线性变换强调更高的值,从而为高纹理的区域提供更高的分数scoreσk;对每个候选分类区域的三个通道的分数和分数scoreσk做加权求和得到候选分类区域得分scorep: 候选分类区域得分scorep越高,候选分类区域图像质量越高,含有的设备指纹信息对分类越有益。
全文数据:
权利要求:
百度查询: 浙江工业大学 基于类特征修复融合的图像取证对抗性攻击防御方法
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。