[發明專利]圖像處理方法、裝置及設備

在審

• 申請號: 202110603076.3
• 申請日: 2021-05-31
• 公開（公告）號: CN113344065A
• 公開（公告）日: 2021-09-03
• 發明（設計）人: 裴博潤;陳永錄;劉浩
• 申請（專利權）人: 中國工商銀行股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京三友知識產權代理有限公司 11127
• 代理人: 任默聞;王濤

1.一種圖像處理方法，其特征在于，所述方法包括：

對原始樣本圖像添加擾動，獲得初始對抗樣本圖像；

將所述初始對抗樣本圖像輸入圖像處理神經網絡模型，并使用無數據通用對抗性擾動算法對所述圖像處理神經網絡模型進行攻擊，以獲得對抗樣本圖像；

將所述對抗樣本圖像按照指定比例加入訓練樣本集合中，利用所述訓練樣本集合對所述圖像處理神經網絡模型進行優化訓練，獲得圖像處理神經網絡優化模型；

利用所述圖像處理神經網絡優化模型對待處理圖像進行圖像處理。

2.如權利要求1所述的方法，其特征在于，所述圖像處理神經網絡模型中的損失函數為：

Such that||δ|_∞＜ξ

其中，x表示原始樣本圖像的數據矩陣，l_i(x+δ)-l_i(x)表示所述圖像處理神經網絡模型第i層的輸出，δ表示對抗擾動，K表示被攻擊的層數范圍，||l_i(x+δ)-l_i(x)||₂表示計算矩陣的第二范式，ξ表示無窮小量。

3.如權利要求1所述的方法，其特征在于，所述將所述初始對抗樣本圖像輸入圖像處理神經網絡模型，并使用無數據通用對抗性擾動算法對所述圖像處理神經網絡模型進行攻擊，以使獲得對抗樣本圖像，包括：

將所述初始對抗樣本輸入所述圖像處理神經網絡模型，并使用無數據通用對抗性擾動算法對所述圖像處理神經網絡模型進行攻擊，計算所述圖像處理神經網絡模型中各個卷積層的輸出特征的飽和度以及相鄰兩個卷積層輸出特征的飽和度差值，若指定卷積層對應的飽和度大于第一預設閾值且與相鄰卷積層的輸出特征的飽和度差值小于第二預設閾值，則將所述指定卷積層輸出的候選對抗樣本圖像保存；

將所述候選對抗樣本圖像中的擾動按照預設比例進行壓縮，將壓縮后的候選對抗樣本圖像輸入所述圖像處理神經網絡模型，并使用無數據通用對抗性擾動算法對所述圖像處理神經網絡模型進行攻擊，進行迭代計算，直至迭代次數到達指定次數，保存每一次迭代計算對應的候選對抗樣本圖像；

從各個候選對抗樣本圖像中選擇一張作為所述對抗樣本圖像。

4.如權利要求3所述的方法，其特征在于，所述從各個候選對抗樣本圖像中選擇一張作為所述對抗樣本圖像，包括：

依次將各個候選對抗樣本圖像中的擾動添加到測試樣本圖像中，依次將添加了不同擾動的測試樣本圖像輸入到所述圖像處理神經網絡模型，計算各個候選對抗樣本圖像中的擾動的欺騙率，選擇欺騙率最高的擾動對應的候選對抗樣本圖像作為所述對抗樣本圖像。

5.如權利要求4所述的方法，其特征在于，所述方法還包括：

在每一次迭代計算獲得候選對抗樣本圖像后，將獲得的候選對抗樣本圖像中的擾動添加到測試樣本圖像中，將添加了擾動的測試樣本圖像輸入到所述圖像處理神經網絡模型，計算候選對抗樣本圖像中的擾動的欺騙率；

若連續指定次數的迭代計算獲得的候選對抗樣本圖像的擾動的欺騙率小于之前迭代計算獲得的候選對抗樣本圖像的擾動的欺騙率，則停止迭代計算。

6.一種圖像處理神經網絡模型的優化方法，其特征在于，所述方法包括：

對原始樣本圖像添加擾動，獲得初始對抗樣本圖像；

將所述初始對抗樣本圖像輸入圖像處理神經網絡模型，并使用無數據通用對抗性擾動算法對所述圖像處理神經網絡模型進行攻擊，以獲得對抗樣本圖像；

將所述對抗樣本圖像按照指定比例加入訓練樣本集合中，利用所述訓練樣本集合對所述圖像處理神經網絡模型進行優化訓練，獲得圖像處理神經網絡優化模型。