申请/专利权人：浙江工业大学

申请日：2020-06-28

公开（公告）日：2024-03-19

公开（公告）号：CN111753986B

主分类号：G06N3/084

分类号：G06N3/084;G06N3/0499;G06V10/764;G06V10/774;G06V40/16;G06F16/51;G06V10/82

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2020.10.30#实质审查的生效;2020.10.09#公开

摘要：本发明公开了一种面向深度学习模型的动态测试方法，包括如下步骤：S1、获取图片数据集与深度学习模型；S2、将图片数据集划分为训练集和测试集，利用训练样本训练深度学习模型得到分类模型；S3、从测试集中随机选取图片作为测试种子样本；S4、将测试种子样本输入分类模型中，若分类模型输出的分类结果与测试种子样本的标签不一致，则将测试种子样本作为测试样本，否则进入步骤S5；S5、基于测试种子样本在分类模型中的交叉熵损失和神经元覆盖率计算梯度；S6、根据梯度上升算法修改测试种子样本；S7、循环执行步骤S4～S6，直到所有测试种子样本都成为测试样本并输出；S8、利用测试样本评判模型的分类性能。

主权项：1.一种面向深度学习模型的动态测试方法，其特征在于，包括如下步骤：S1、获取图片数据集与深度学习模型；S2、将图片数据集划分为训练集和测试集，利用训练集中的训练样本训练深度学习模型得到分类模型；S3、从测试集中随机选取图片作为测试种子样本；S4、将测试种子样本输入分类模型中，若分类模型输出的分类结果与测试种子样本的标签不一致，则将测试种子样本作为测试样本输出，否则进入步骤S5；S5、基于测试种子样本在分类模型中的交叉熵损失和神经元覆盖率计算梯度，包括：S51、统计测试种子样本的激活神经元数量并按下式计算神经元覆盖率； 其中，n代表神经元，x代表测试种子样本，T代表测试种子样本的集合，N为分类模型中所有神经元的集合，||代表集合里的神经元个数，outn,x是返回x在神经元n中的输出值的函数，t为阈值；S52、基于测试种子样本在分类模型中的交叉熵损失和神经元覆盖率计算损失函数loss3；loss3＝loss2+λ*NCT,x其中，λ为参数，λ的取值范围为[0,1]；所述的loss2的计算公式如下： 其中，Hx是测试种子样本x的交叉熵，yx是测试种子样本x的标签，y′x是测试种子样本x的预测标签；a代表测试种子样本的个数；Hzyz,y′z的计算公式如下： 其中，是测试种子样本x被预测标签为j的概率，是测试种子样本x的标签为j的概率；S53、基于损失函数loss3计算梯度grad： 其中，所述的为loss3对x求梯度，为loss3对x求偏导；S6、根据梯度上升算法修改测试种子样本得到修改后的测试种子样本；S7、循环执行步骤S4～S6，直到所有测试种子样本都成为测试样本并输出；S8、利用测试样本对模型进行训练提高模型鲁棒性或利用测试样本评判模型的分类性能。

全文数据：

权利要求：

百度查询： 浙江工业大学 面向深度学习模型的动态测试方法及其装置

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