[發(fā)明專利]圖像處理方法、裝置及設(shè)備

在審

• 申請?zhí)枺?/td>: 202110603076.3
• 申請日: 2021-05-31
• 公開（公告）號: CN113344065A
• 公開（公告）日: 2021-09-03
• 發(fā)明（設(shè)計）人: 裴博潤;陳永錄;劉浩
• 申請（專利權(quán)）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(chǎn)權(quán)代理有限公司 11127
• 代理人: 任默聞;王濤

本說明書實施例涉及人工智能技術(shù)領(lǐng)域，具有公開了一種圖像處理方法、裝置及設(shè)備，所述方法包括：利用無數(shù)據(jù)通用對抗性擾動算法對圖像處理神經(jīng)網(wǎng)絡(luò)模型進(jìn)行攻擊，訓(xùn)練生成對抗樣本圖像，再將對抗樣本圖像與普通樣本圖像按比例混合，獲得訓(xùn)練樣本集合，使用該訓(xùn)練樣本集合對圖像處理神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化訓(xùn)練，獲得圖像處理神經(jīng)網(wǎng)絡(luò)優(yōu)化模型，再利用圖像處理神經(jīng)網(wǎng)絡(luò)優(yōu)化模型對待處理圖像進(jìn)行圖像處理。優(yōu)化后的圖像處理神經(jīng)網(wǎng)絡(luò)優(yōu)化模型具有比較好的抗干擾能力，進(jìn)而提升了圖像處理結(jié)果的準(zhǔn)確性和穩(wěn)定性。

技術(shù)領(lǐng)域

本說明書屬于人工智能技術(shù)領(lǐng)域，尤其涉及一種圖像處理方法、裝置及設(shè)備。

背景技術(shù)

隨著深度學(xué)習(xí)技術(shù)的發(fā)展，基于深度學(xué)習(xí)的人工智能技術(shù)不斷在人類社會的各個領(lǐng)域產(chǎn)生深刻的影響，不論是傳統(tǒng)的農(nóng)業(yè)、制造業(yè)還是新興的IT、互聯(lián)網(wǎng)行業(yè)，將自身領(lǐng)域技術(shù)與新型人工智能技術(shù)的結(jié)合都為所在行業(yè)帶來了新的發(fā)展機(jī)遇。如智能農(nóng)業(yè)、智能制造、網(wǎng)絡(luò)安全、智慧城市、自動駕駛等領(lǐng)域都呈現(xiàn)著蓬勃發(fā)展之勢。

然而，學(xué)術(shù)界在近年來研究發(fā)現(xiàn)，深度學(xué)習(xí)技術(shù)存在著巨大的隱患。如：對一張正常圖像進(jìn)行微小的改動，即使這些修改對于人眼來說很難察覺，但卻可以輕而易舉地讓機(jī)器進(jìn)行錯誤的識別。比如對于一貓的圖像，只要有針對性的添加微小的噪聲，就會導(dǎo)致深度學(xué)習(xí)分類器將其以高置信度識別為狗或其他動物，不僅如此，由此還能衍生出很多其他的誤判情況，比如通過添加噪聲使自動駕駛汽車的攝像頭無法識別道路上的行人，導(dǎo)致重大的交通事故，或者使道路監(jiān)控的識別功能徹底失效等。雖然深度學(xué)習(xí)結(jié)構(gòu)與人眼的神經(jīng)感知模型存在著一定的相似性，但對抗樣本的出現(xiàn)警示了我們二者之間還存在著巨大的鴻溝，但除此之外，更重要的是，對抗樣本對于神經(jīng)網(wǎng)絡(luò)來說是一個天生的致命漏洞。不管是如人臉識別、道路監(jiān)控、自動駕駛、智能零售、語音識別等何種領(lǐng)域，基于深度學(xué)習(xí)的實際應(yīng)用都存在著面對微小擾動的明顯脆弱性，如果不能對神經(jīng)網(wǎng)絡(luò)的這種性質(zhì)進(jìn)行克服，那么深度學(xué)習(xí)技術(shù)的安全性將無從談起，使得基于智能學(xué)習(xí)的圖像處理模型的處理結(jié)果的準(zhǔn)確性不高。

如何能夠提供一種方案提升智能模型對圖像處理結(jié)果的準(zhǔn)確性，是本領(lǐng)域亟需解決的技術(shù)問題。

發(fā)明內(nèi)容

本說明書實施例的目的在于提供一種圖像處理方法、裝置及設(shè)備，提高了圖像處理的準(zhǔn)確性。

一方面，本說明書實施例提供了一種圖像處理方法，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(jīng)網(wǎng)絡(luò)模型，并使用無數(shù)據(jù)通用對抗性擾動算法對所述圖像處理神經(jīng)網(wǎng)絡(luò)模型進(jìn)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(xùn)練樣本集合中，利用所述訓(xùn)練樣本集合對所述圖像處理神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化訓(xùn)練，獲得圖像處理神經(jīng)網(wǎng)絡(luò)優(yōu)化模型；

利用所述圖像處理神經(jīng)網(wǎng)絡(luò)優(yōu)化模型對待處理圖像進(jìn)行圖像處理。

進(jìn)一步地，所述圖像處理神經(jīng)網(wǎng)絡(luò)模型中的損失函數(shù)為：

Such that||δ||_∞＜ξ

其中，x表示原始樣本圖像的數(shù)據(jù)矩陣，l_i(x+δ)-l_i(x)表示所述圖像處理神經(jīng)網(wǎng)絡(luò)模型第i層的輸出，δ表示對抗擾動，K表示被攻擊的層數(shù)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。

進(jìn)一步地，所述將所述初始對抗樣本圖像輸入圖像處理神經(jīng)網(wǎng)絡(luò)模型，并使用無數(shù)據(jù)通用對抗性擾動算法對所述圖像處理神經(jīng)網(wǎng)絡(luò)模型進(jìn)行攻擊，以使獲得對抗樣本圖像，包括：