[發明專利]基于自適應組樣本擾動約束的對抗訓練方法、裝置及設備

在審

• 申請號: 202111350578.6
• 申請日: 2021-11-15
• 公開（公告）號: CN114091597A
• 公開（公告）日: 2022-02-25
• 發明（設計）人: 王濱;張峰;王星;錢亞冠
• 申請（專利權）人: 杭州海康威視數字技術股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06V10/774;G06V10/764
• 代理公司: 北京博思佳知識產權代理有限公司 11415
• 代理人: 王茹

1.一種基于自適應組樣本擾動約束的對抗訓練方法，其特征在于，包括：

獲取多個訓練圖像；針對每個訓練圖像，將所述訓練圖像輸入給初始網絡模型，得到所述訓練圖像對應的網絡輸出向量和預測類別；

若基于所述預測類別和所述訓練圖像的實際類別確定所述訓練圖像的分類結果為錯誤，則將所述訓練圖像確定為自然樣本圖像；

若基于所述預測類別和所述實際類別確定所述訓練圖像的分類結果為正確，則基于所述網絡輸出向量確定所述訓練圖像對應的目標自適應組；基于所述目標自適應組對應的目標樣本擾動約束確定所述訓練圖像對應的目標擾動向量，基于所述目標擾動向量和所述訓練圖像生成擾動樣本圖像；

基于所述多個訓練圖像對應的自然樣本圖像和擾動樣本圖像，對所述初始網絡模型進行訓練，得到已訓練的目標網絡模型；

其中，所述目標網絡模型用于對待分類圖像進行分類。

2.根據權利要求1所述的方法，其特征在于，所述將所述訓練圖像輸入給初始網絡模型，得到所述訓練圖像對應的網絡輸出向量，包括：

將所述訓練圖像輸入給初始網絡模型的第一子網絡，并將所述第一子網絡輸出的特征向量確定為所述網絡輸出向量；其中，所述初始網絡模型包括第一子網絡和第二子網絡，所述第二子網絡包括初始網絡模型中的最后一個網絡層，所述第一子網絡包括除所述最后一個網絡層之外的其余網絡層。

3.根據權利要求1所述的方法，其特征在于，

所述基于所述網絡輸出向量確定所述訓練圖像對應的目標自適應組，包括：

基于所有分類結果為正確的訓練圖像對應的網絡輸出向量中的最大特征值確定目標特征值，并基于所述目標特征值確定至少兩個自適應組；其中，每個自適應組對應一個特征值區間，且不同自適應組對應的特征值區間不同；

確定所述網絡輸出向量中的最大特征值對應的特征值區間，并將該特征值區間對應的自適應組確定為所述訓練圖像對應的目標自適應組。

4.根據權利要求3所述的方法，其特征在于，

所述基于所述目標特征值確定至少兩個自適應組，包括：

基于所述目標特征值確定第一自適應組、第二自適應組和第三自適應組；

其中，所述第一自適應組對應的特征值區間的區間起始值為所述目標特征值與預設第一閾值之差，且所述第一自適應組對應的特征值區間的區間結束值為所述目標特征值與預設第二閾值之和；所述第二自適應組對應的特征值區間的區間結束值為所述目標特征值與預設第一閾值之差；所述第三自適應組對應的特征值區間的區間起始值為所述目標特征值與預設第二閾值之和。

5.根據權利要求1所述的方法，其特征在于，

所述目標自適應組對應的目標樣本擾動約束的確定方式，包括：

獲取初始樣本擾動約束，基于所述初始樣本擾動約束確定初始擾動向量，基于所述初始擾動向量和所述目標自適應組對應的訓練圖像生成初始樣本圖像；

將所述初始樣本圖像輸入給已配置的參考網絡模型，得到所述初始樣本圖像對應的預測類別；若基于該預測類別確定所述初始樣本圖像的分類結果為錯誤，則確定所述初始樣本擾動約束是否已滿足搜索結束條件；

若是，則基于所述初始樣本擾動約束確定所述目標自適應組對應的目標樣本擾動約束；若否，則降低所述初始樣本擾動約束，基于降低后的初始樣本擾動約束，并返回執行基于所述初始樣本擾動約束確定初始擾動向量的操作。

6.根據權利要求5所述的方法，其特征在于，

所述將所述初始樣本圖像輸入給已配置的參考網絡模型，得到所述初始樣本圖像對應的預測類別之后，所述方法還包括：

若基于該預測類別確定所述初始樣本圖像的分類結果為正確，則增加所述初始樣本擾動約束，并判斷增加后的初始樣本擾動約束是否大于已配置的樣本擾動約束最大值；如果否，則基于增加后的初始樣本擾動約束，返回執行基于所述初始樣本擾動約束確定初始擾動向量的操作；如果是，則基于所述樣本擾動約束最大值確定所述目標自適應組對應的目標樣本擾動約束。