一种基于对抗空间变换网络的鲁棒特征深度学习方法技术

本发明专利技术属于人工智能领域，公开了一种基于对抗空间变换网络的鲁棒特征深度学习方法。实现步骤：读取训练集中带标注的图像数据；将带标注的图像数据输入分类器网络并计算分类器损失；依据需求读取训练集中的图像数据；将读取的图像数据输对抗空间变换网络得到变换后的图像；将变换前的和变换后的图像输入分类器网络分别得到原始图像和变换后的图像对应的分类器输出；对原始和变换后的图像对应的分类器输出值计算一致性损失；对分类器损失和一致性损失加权求和；优化目标函数，更新对抗空间变换网络和分类器网络参数。本发明专利技术能有效提高深度学习模型对于不同分布样本的泛化能力以及自适应能力，同时对于干扰和污损样本也具有较好的抗干扰能力。

【技术实现步骤摘要】
一种基于对抗空间变换网络的鲁棒特征深度学习方法
本专利技术属于人工智能机器学习领域，具体涉及面向图像分类、识别等任务的具有领域不变性和鲁棒性的特征表示深度学习方法。
技术介绍
机器学习特别是深度学习模型的训练数据通常来自有限分布的样本，当模型必须处理来自不同分布的数据时，会导致性能的显著下降。此外，当输入的数据受到干扰或者污损时，深度学习模型的准确率和稳定性也很容易受到严重影响。目前，这两个问题通常都是作为独立的问题处理的。对上述由于数据分布差异引起模型性能下降的问题，通常采用领域自适应(domainadaptation)和领域泛化(domaingeneralization)这一类技术方法来解决。通常将模型的训练数据集称为源领域，测试数据集称为目标领域。领域自适应学习在训练过程中可以通过少量的标注或无标注的目标领域样本来优化深度学习模型，提高模型在目标领域上的性能。领域泛化则更强调原模型对不同目标领域的泛化能力，训练过程中不接触任何目标领域数据。对于由于污损或干扰数据引起的模型性能下降的问题，样本攻击和防御是目前研究的关注点。事本文档来自技高网...

【技术保护点】
1.一种基于对抗空间变换网络的鲁棒特征深度学习方法，具体技术方案如下：/nS1：读取训练集中有标注的图像数据；/nS2：将S1读取的图像数据输入分类器网络中计算分类器损失；/nS3：依据需求，读取训练集中的图像数据；/nS4：将所述S3中的图像数据输对抗空间变换网络得到变换后的图像数据，对抗空间变换网络由空间变换网络以及梯度反转层组成，具体包括：/nS4.1：将所述S3中的图像数据x输入空间变换网络的定位器网络，得到仿射变换的变换参数θ；/nS4.2：空间变换网络的网格生成器通过仿射变换参数θ计算出输出图像网格坐标点在输入图像中对应的网格坐标；/nS4.3：根据输出图像网格坐标和输入图像网格坐...

【技术特征摘要】
1.一种基于对抗空间变换网络的鲁棒特征深度学习方法，具体技术方案如下：
S1：读取训练集中有标注的图像数据；
S2：将S1读取的图像数据输入分类器网络中计算分类器损失；
S3：依据需求，读取训练集中的图像数据；
S4：将所述S3中的图像数据输对抗空间变换网络得到变换后的图像数据，对抗空间变换网络由空间变换网络以及梯度反转层组成，具体包括：
S4.1：将所述S3中的图像数据x输入空间变换网络的定位器网络，得到仿射变换的变换参数θ；
S4.2：空间变换网络的网格生成器通过仿射变换参数θ计算出输出图像网格坐标点在输入图像中对应的网格坐标；
S4.3：根据输出图像网格坐标和输入图像网格坐标关系，对输入图像进行插值计算，得到输出网格坐标中每一个网格的像素值，完成对输入图像的空间变换；
S4.4：将S4.3中得到的完成空间变换后的图像输入梯度反转层得到变换后的图像梯度反转层对正向传播的图像数据不作任何改变，只对输入的梯度值进行取...

【专利技术属性】
技术研发人员：许娇龙，肖良，聂一鸣，
申请(专利权)人：中国人民解放军军事科学院国防科技创新研究院，
类型：发明
国别省市：北京;11