[發明專利]一種基于批利普希茨常數限制的魯棒性對抗訓練方法在審
| 申請號： | 202210469874.6 | 申請日： | 2022-04-28 |
| 公開（公告）號： | CN114972932A | 公開（公告）日： | 2022-08-30 |
| 發明（設計）人： | 盧巖濤;白璐;孫仕琦;杜承烈 | 申請（專利權）人： | 西北工業大學 |
| 主分類號： | G06V10/776 | 分類號： | G06V10/776;G06V10/764;G06V10/82;G06N3/04;G06N3/08 |
| 代理公司： | 西安正華恒遠知識產權代理事務所(普通合伙) 61271 | 代理人： | 陳選中 |
| 地址： | 710068 *** | 國省代碼： | 陜西;61 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 批利普希茨 常數 限制 魯棒性 對抗 訓練 方法 | ||
1.一種基于批利普希茨常數限制的魯棒性對抗訓練方法，其特征在于，包括如下步驟：
S1、獲取神經網絡訓練好的分類器；
S2、基于訓練好的分類器，得到批利普希茨常數限制的損失函數；
S3、基于批利普希茨常數限制的損失函數，進行反向傳播與梯度下降，得到目標神經網絡，完成基于批利普希茨常數限制的魯棒性對抗訓練。
2.根據權利要求1所述的基于批利普希茨常數限制的魯棒性對抗訓練方法，其特征在于，所述步驟S2包括如下步驟：
S21、基于訓練好的分類器，得到全局利普希茨常數；
S22、基于全局利普希茨常數，得到局部利普希次常數；
S23、基于局部利普希次常數，得到神經網絡的利普希次常數；
S24、基于神經網絡的利普希次常數，定義神經網絡的損失函數；
S25、通過梯度下降計算，得到交叉熵最大時的向量增量；
S26、基于交叉熵最大時的向量增量和神經網絡的損失函數，得到批利普希茨常數限制的損失函數。
3.根據權利要求2所述的基于批利普希茨常數限制的魯棒性對抗訓練方法，其特征在于，所述步驟S1中訓練好的分類器的表達式如下：
其中，f表示神經網絡，:表示定義，表示n維實數空間，→表示映射轉化，C表示分類類別總數。
4.根據權利要求3所述的基于批利普希茨常數限制的魯棒性對抗訓練方法，其特征在于，所述步驟S21中全局利普希茨常數的表達式如下：
其中，Lα,β(f,χ)表示全局利普希茨常數，χ表示分類器輸入空間，sup表示上確界，x表示第一輸入圖片，y表示第二輸入圖片，f(x)表示第一輸入圖片x的預測結果，f(y)表示第二輸入圖片y的預測結果，α表示向量取模的α模，β向量取模的β模，|| ||表示取向量范數。
5.根據權利要求4所述的基于批利普希茨常數限制的魯棒性對抗訓練方法，其特征在于，所述步驟S22中的局部利普希次常數的表達式如下：
其中，表示局部的第k類利普希次常數，fk(x)表示第一輸入圖片x對應的分類器f輸出的第k類預測結果，fk(y)表示第二輸入圖片y對應的分類器f輸出的第k類預測結果。
6.根據權利要求5所述的基于批利普希茨常數限制的魯棒性對抗訓練方法，其特征在于，所述步驟S23中神經網絡的利普希次常數表達式如下：
其中，表示神經網絡的利普希次常數，lk′(x)表示第一輸入圖片對應的第k′類損失函數結果，lk′(y)表示第一輸入圖片對應的第k′類損失函數結果。
7.根據權利要求6所述的基于批利普希茨常數限制的魯棒性對抗訓練方法，其特征在于，所述步驟S24中神經網絡的損失函數表達式如下：
其中，L(x,y)表示第一輸入圖片x與第二輸入圖片y間的距離，E(·)表示期望值，l(x1)表示第一輸入圖片x對應的損失函數結果，l(x2)表示第二輸入圖片y對應的損失函數結果，max表示取最大值，i表示圖像的第i類分類，C表示分類類別總數。
8.根據權利要求7所述的基于批利普希茨常數限制的魯棒性對抗訓練方法，其特征在于，所述步驟S25中交叉熵最大時的向量增量表達式如下：
其中，δ表示交叉熵最大時的向量增量，argmax表示最大值自變量點集。
9.根據權利要求8所述的基于批利普希茨常數限制的魯棒性對抗訓練方法，其特征在于，所述步驟S26中批利普希茨常數限制的損失函數表達式如下：
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于西北工業大學，未經西北工業大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202210469874.6/1.html，轉載請聲明來源鉆瓜專利網。
