申请/专利权人：安徽工业大学

申请日：2024-03-26

公开（公告）日：2024-07-05

公开（公告）号：CN118298220A

主分类号：G06V10/764

分类号：G06V10/764;G06V10/82;G06N3/0464;G06N3/0475;G06N3/094;G06N3/0499;G06N3/084;G06N3/045

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.07.23#实质审查的生效;2024.07.05#公开

摘要：本发明公开了基于OAT框架的CNN标准精度与鲁棒精度的平衡方法，涉及计算机图像分类技术领域，解决了模型仅针对标准损失函数进行优化，没有考虑到对抗扰动的影响，导致CNN模型的标准精度与鲁棒精度出现不平衡技术问题；本发明在OAT框架的分离特征机制下，利用符号化处理初始化扰动，将Admix增强对抗攻击方法用于对抗训练，生成更强对抗样本，两种方法结合不仅维持了两种精度的平衡，而且提升模型鲁棒性以应对复杂场景；本发明通过干净样本与随机样本组成的混合样本和缩放因子对模型进行对抗训练，并通过得到的损失值对模型参数进行动态调整，实现标准精度和鲁棒精度的平衡。

主权项：1.基于OAT框架的CNN标准精度与鲁棒精度的平衡方法，其特征在于，包括：步骤一：获取图像数据集，利用符号化处理生成随机扰动，根据随机扰动生成初始扰动；其中，图像数据集中包括干净样本；干净样本包括干净图像与对应的真实标签；步骤二：提取干净样本，从图像数据集中随机抽取得到随机样本，通过线性插值和权衡系数对干净样本和随机样本进行加权得到混合样本；其中，随机样本为随机抽取的干净图像；步骤三：设置缩放因子λ，设置DBN索引，将缩放因子、干净样本和DBN索引输入CNN模型进行分类预测，得到分类预测结果；根据分类预测和真实标签结果计算分类标准精度和标准损失；步骤四：将初始扰动加入混合样本中合成初始迭代攻击样本，将初始迭代攻击样本用于内部攻击算法获取对抗样本，将对抗样本输入OAT模型得到样本标签向量，计算对抗样本的鲁棒精度与对抗损失，根据损失值与初始梯度迭代优化生成更新对抗样本；步骤五：根据鲁棒精度通过反向传播算法和梯度下降来调整模型参数，并将迭代次数加一，通过更新的对抗样本重复进行迭代对抗训练，直至达到迭代阈值。

全文数据：

权利要求：

百度查询： 安徽工业大学 基于OAT框架的CNN标准精度与鲁棒精度的平衡方法

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