申请/专利权人：大连理工大学

申请日：2020-11-17

公开（公告）日：2024-03-29

公开（公告）号：CN112381149B

主分类号：G06F18/2413

分类号：G06F18/2413;G06F18/214;G06N3/0464;G06N3/098

优先权：

专利状态码：有效-授权

法律状态：2024.03.29#授权;2021.03.09#实质审查的生效;2021.02.19#公开

摘要：一种基于深度学习用于源相机识别的合理对抗分析方法,属于计算机图像处理技术领域。技术方案：采用耦合性编码的方式训练网络；使用神经网络引入了类似于复制粘贴方法的攻击模式；使用基于特征的联合自动学习攻击；基于噪声再训练方法的关系不匹配防御策略。有益效果：本发明所述的基于深度学习用于源相机识别的合理对抗分析方法采用复制粘贴攻击和联合特征自学习攻击的方法生成具有良好泛化性能的攻击；同时，本发明采用多任务学习的方法生成来源鉴别模型；并采用噪声再训练的方式扩展不同相机类型之间的关系误失配；这种关系误失配的方法可以精确的识别对抗样本。

主权项：1.一种基于深度学习用于源相机识别的合理对抗分析方法，其特征在于，步骤如下：S1、采用耦合性编码的方式训练网络；S2、使用神经网络引入了类似于复制粘贴方法的攻击模式；复制粘贴的攻击方法步骤如下：通过学习模式实施复制移动攻击，检测生成的相机指纹是否可以将性能泛化到测试集，minLt→p＝L{C{xt-Nxt+Nxp},p}+β·||Nxt||1+||Nxp||1其中N·表示通过数据驱动形式优化的指纹学习网络，t和p表示相机类别，β是用于限制摄动程度的超参数，其默认值为0.4；使用||Nxt||1+||Nxp||1来限制扰动程度；采用批处理的方式提取指纹； Nx*0表示从输入中获取平均指纹，0表示批次的尺寸；S3、使用基于特征的联合自动学习攻击；联合自动学习攻击步骤如下：将来自不同类别的相机指纹进行串联，然后使用卷积核自动学习组合模式；U1方式中使用预定义的计算模式查找相机指纹：attt→p＝attp→t＝[Nxp]0-[Nxt]0引入了基于联合特征的自动学习方法来生成转移指纹：attt→p＝[Rt{Nxp,Nxt}]0attp→t＝[Rp{Nxp,Nxt}]0R{*}表示用于学习转移指纹的网络；通过自动学习的攻击方法结合从两类数据中提取得到的特征去学习转移指纹信息，自动学习方法表示为：minLt→p＝L{C{xt+attt→p},p}+β·||attt→p||1minLp→t＝L{C{xp+attp→t},t}+β·||attp→t||1指纹复制粘贴中，对于t转p和p转t采用相同的噪声，自学习攻击方法采用不同的噪声；S4、基于噪声再训练方法的关系不匹配防御策略；噪声再训练步骤如下：在得到由耦合性编码方式训练得到的分类器后，向用户发布经过设备特征训练得到的分类器，并掩盖经过型号特征和品牌特征训练的分类器；采用来自不同分类器的分类结果之间的不匹配作为判断标准来检测对抗样本，不同的特征空间之间存在重叠，并且特征空间满足以下约束：BF＝MF∪BCF∪RBFωM＝MF∩BCFMF＝DCF∪MCF∪RMFωD＝MCF∩DCFωM和ωD测量不同分类器之间的相互作用，DCF表示训练分类器的设备特征；定义L1n*和L2n*：L1nx＝||{CDFDx-CBFBx}[:Blen]||1L2nx＝||{CDFDx-CMFMx}[:Blen+Mlen]||1其中F*表示特征提取网络，FDx＝DCF；采用如下公式训练初始的来源识别网络：LJx＝L_d+η·L_m+ζ·L_b在训练过程中生成扰动样本x*作为负样本，并对得到的网络进行再训练，在训练过程中，同时约束干净样本以及受扰动样本：L2J＝LJx-γ·L1nx*-Γ·L2nx*采用LJx来维护干净样本网络的分类精度，γ和Γ均设为0.01，通过添加正态分布噪声生成负样本，x*＝x+noiseμ,σ,x.size均值μ＝0，标准偏差δ＝1。

全文数据：

权利要求：

百度查询： 大连理工大学 一种基于深度学习用于源相机识别的合理对抗分析方法

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