[發(fā)明專(zhuān)利]一種基于通道注意力的行人再識(shí)別對(duì)抗攻擊方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202211353732.X
• 申請(qǐng)日: 2022-11-01
• 公開(kāi)（公告）號(hào): CN115841681A
• 公開(kāi)（公告）日: 2023-03-24
• 發(fā)明（設(shè)計(jì)）人: 張琳鈺;王進(jìn)
• 申請(qǐng)（專(zhuān)利權(quán)）人: 南通大學(xué)
• 主分類(lèi)號(hào): G06V40/10
• 分類(lèi)號(hào): G06V40/10;G06N3/0464;G06N3/08;G06V10/74;G06V10/764;G06V10/774
• 代理公司: 北京科家知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11427
• 代理人: 曹振中

1.一種基于通道注意力的行人再識(shí)別對(duì)抗攻擊方法，其特征在于，包括以下步驟：

基于掩碼算法mask和ECA通道注意力，構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)；

基于行人圖像訓(xùn)練集，獲取所述卷積神經(jīng)網(wǎng)絡(luò)的輸入圖像；

基于所述輸入圖像和所述卷積神經(jīng)網(wǎng)絡(luò)，獲取所述輸入圖像中的深度特征；

基于損失函數(shù)，獲取所述深度特征的損失值并優(yōu)化所述卷積神經(jīng)網(wǎng)絡(luò)，得到深度神經(jīng)網(wǎng)絡(luò)；

基于所述深度神經(jīng)網(wǎng)絡(luò)和待查詢圖像，獲取所述待查詢圖像的最終特征；

基于所述最終特征與行人圖像的特征向量之間的相似度，獲得所述待查詢圖像的匹配結(jié)果。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于掩碼算法mask和ECA通道注意力，構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)的方法，包括以下步驟：

基于所述行人圖像訓(xùn)練集和初始卷積神經(jīng)網(wǎng)絡(luò)，獲取包含行人圖像的初級(jí)映射特征的ImageNet數(shù)據(jù)集；

基于所述ImageNet數(shù)據(jù)集，對(duì)ResNet50模型進(jìn)行預(yù)訓(xùn)練；

基于已經(jīng)進(jìn)行預(yù)訓(xùn)練的所述ResNet50模型，將用于打破原有注意力權(quán)重的掩碼算法mask添加到所述Resnet50模型的中間層的特征圖中，獲取所述卷積神經(jīng)網(wǎng)絡(luò)。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述基于所述輸入圖像和所述卷積神經(jīng)網(wǎng)絡(luò)，獲取所述輸入圖像中的深度特征的方法，包括以下步驟：

基于所述卷積神經(jīng)網(wǎng)絡(luò)和所述輸入圖像，獲取所述輸入圖像的對(duì)抗性權(quán)重圖；

基于所述對(duì)抗性權(quán)重圖與預(yù)設(shè)對(duì)抗性閾值的差值，獲取所述輸入圖像中的深度特征。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述基于所述對(duì)抗性權(quán)重圖與預(yù)設(shè)對(duì)抗性閾值的差值，獲取所述輸入圖像中的深度特征的方法，包括以下步驟：

響應(yīng)于所述對(duì)抗性權(quán)重圖與預(yù)設(shè)對(duì)抗性閾值之間的第一差值大于等于零，則降低所述對(duì)抗性權(quán)重圖中的對(duì)抗性權(quán)重，獲取所述深度特征；

響應(yīng)于所述對(duì)抗性權(quán)重圖與預(yù)設(shè)對(duì)抗性閾值之間的第一差值小于零，則提高所述對(duì)抗性權(quán)重圖中的對(duì)抗性權(quán)重，獲取所述深度特征。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述損失函數(shù)為基于對(duì)抗三元組損失函數(shù)和對(duì)抗身份損失模型的組合函數(shù)。

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述對(duì)抗三元組損失函數(shù)用于通過(guò)公式(1)攻擊預(yù)測(cè)排序，所述公式(1)為：

其中，C_k是第K個(gè)行人ID中抽取的樣本數(shù)量，是一個(gè)小批量中第K個(gè)行人ID中的第c個(gè)圖像，C_p、C_k分別是來(lái)自同一ID和不同ID的樣本，是范數(shù)的平方作為距離度量，α是一個(gè)邊界閾值；距離采用歐氏距離度量，[]表示在[]₊內(nèi)的值大于零的時(shí)候，取該值為損失，小于零的時(shí)候，損失則為零。

7.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述對(duì)抗身份損失模型通過(guò)公式(2)掩飾針對(duì)非目標(biāo)攻擊，其中公式(2)為：

其中，S表示log_softmax函數(shù)；K是行人ID的總數(shù)；ν＝[1/k-1,…,0,…1/k-1]是平滑正則化,除了當(dāng)k是真實(shí)的身份時(shí)，其他時(shí)候νk＝1/k-1；arg min表示返回輸出概率向量的最小值的索引。

8.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于所述最終特征與行人圖像的特征向量之間的相似度，獲得所述待查詢圖像的匹配結(jié)果的方法，包括以下步驟：

選擇識(shí)別模型，將所述深度神經(jīng)網(wǎng)絡(luò)添加至所述識(shí)別模型中；

基于所述待查詢圖像和所述識(shí)別模型，獲取所述待查詢圖像中的行人圖像的特征向量；

基于所述最終特征與所述人圖像的特征向量之間的第二差值，確定所述匹配結(jié)果。

9.根據(jù)權(quán)利要求8所述的方法，其特征在于，所述基于所述最終特征與所述人圖像的特征向量之間的第二差值，確定所述匹配結(jié)果的方法，包括：

響應(yīng)于所述第二差值越大，則所述待查詢圖像的匹配錯(cuò)誤的結(jié)果越多；

響應(yīng)于所述第二差值越小，則所述待查詢圖像的匹配錯(cuò)誤的結(jié)果越少。