[發明專利]基于批標準化的多空間對抗樣本防御方法及其裝置

在審

• 申請號: 202210034033.2
• 申請日: 2022-01-12
• 公開（公告）號: CN114724101A
• 公開（公告）日: 2022-07-08
• 發明（設計）人: 劉艾杉;劉祥龍;湯詩宇
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06V20/56
• 分類號: G06V20/56;G06V10/774;G06V10/764;G06K9/62;G06N3/04;G06N3/08;G06N20/00
• 代理公司: 北京汲智翼成知識產權代理事務所(普通合伙) 11381
• 代理人: 陳曦;賈興昌

1.一種基于批標準化的多空間對抗樣本防御方法，用在自動駕駛訓練場景中，其特征在于包括如下步驟：

利用來自不同域的對抗樣本對門控批歸一化模塊進行訓練，所述對抗樣本為影響自動駕駛車輛識別圖像的干擾因素；

預測神經網絡中對應前一層輸出數據所屬的域；

將來自不同域的數據標準化對齊，得到域不變的特征；其中，利用批歸一化層的每條分支標準化對齊來自某一特定域的數據；將每條分支標準化對齊后的數據進行聚合，得到域不變的特征；

所述域不變的特征的表達式為：

式中，x為來自某一域的數據，g_k表示門控子網絡預測的x屬于第k個域的置信度，為第k條分支標準化對齊后的數據。

2.如權利要求1所述的多空間對抗樣本防御方法，其特征在于：

所述門控批歸一化模塊包括門控子網絡；所述門控子網絡設置在對應批歸一化層的前端，用于預測神經網絡中對應前一層輸出數據所屬的域。

3.如權利要求1所述的多空間對抗樣本防御方法，其特征在于：

所述訓練過程中，使用對抗攻擊方法生成不同域的對抗樣本；

將不同域的對抗樣本輸入至門控子網絡，得到門控子網絡的預測域；

監督不同預測域的對抗樣本經過對應的分支，并更新對應分支運行時的統計量。

4.如權利要求1所述的多空間對抗樣本防御方法，其特征在于：

所述訓練過程中，針對門控子網絡的預測，引入域預測損失函數進行參數優化。

5.如權利要求1所述的多空間對抗樣本防御方法，其特征在于：

所述訓練過程中，引入分類損失函數對各門控批歸一化模塊所在神經網絡進行參數優化。

6.一種自動駕駛訓練裝置，其特征在于包括處理器和存儲器，所述處理器讀取所述存儲器中的計算機程序，用于執行以下操作：

利用來自不同域的對抗樣本對門控批歸一化模塊進行訓練，所述對抗樣本為影響自動駕駛車輛識別圖像的干擾因素；

預測神經網絡中對應前一層輸出數據所屬的域；

將來自不同域的數據標準化對齊，得到域不變的特征；其中，利用批歸一化層的每條分支標準化對齊來自某一特定域的數據；將每條分支標準化對齊后的數據進行聚合，得到域不變的特征；

所述域不變的特征的表達式為：

式中，x為來自某一域的數據，g_k表示門控子網絡預測的x屬于第k個域的置信度，為第k條分支標準化對齊后的數據。

7.如權利要求6所述的自動駕駛訓練裝置，其特征在于：

所述門控批歸一化模塊包括門控子網絡；所述門控子網絡設置在對應批歸一化層的前端，用于預測神經網絡中對應前一層輸出數據所屬的域。

8.如權利要求6所述的自動駕駛訓練裝置，其特征在于：

所述訓練過程中，使用對抗攻擊方法生成不同域的對抗樣本；

將不同域的對抗樣本輸入至門控子網絡，得到門控子網絡的預測域；

監督不同預測域的對抗樣本經過對應的分支，并更新對應分支運行時的統計量。

9.如權利要求6所述的自動駕駛訓練裝置，其特征在于：

所述訓練過程中，針對門控子網絡的預測，引入域預測損失函數進行參數優化。

10.如權利要求9所述的自動駕駛訓練裝置，其特征在于：

所述訓練過程中，引入分類損失函數對各門控批歸一化模塊所在神經網絡進行參數優化。