一种基于深度乘积量化的对抗样本生成方法技术

本发明专利技术提供了一种基于深度乘积量化的对抗样本生成方法，所述方法包括：将原始图像输入至预设网络模型，以通过所述预设网络模型输出原始图像对应的量化分配中心向量；将所述原始图像对应的初始对抗样本输入至所述预设网络模型，以得到所述初始对抗样本对应的对抗特征向量；基于所述量化分配中心向量以及所述对抗特征向量，确定所述初始对抗样本对应的损失函数；基于所述损失函数对所述预设网络模型进行反向传播，以得到所述原始图像对应的对抗样本。本方法通过基于所述量化分配中心向量以及对抗特征向量确定可导损失函数，提高了对抗样本的迁移性和有效性，为进一步研究神经网络的鲁棒性提供依据。

【技术实现步骤摘要】
一种基于深度乘积量化的对抗样本生成方法
本专利技术涉及人工智能
，尤其涉及的是一种基于深度乘积量化的对抗样本生成方法。
技术介绍
实现大规模和高维图像的检索依赖于有效的图像特征表示和匹配，现有的主流方法主要有两大类，主要是以哈希为主的二值表示方法，其以匹配速度快而得到广泛的应用。另一大类方法是以乘积量化为主导的数据压缩方法，该方法一般比哈希方法有更高的检索性能。目前，基于卷积神经网络CNN的哈希或乘积量化的方法充分借助CNN强大的特征提取能力，在CNN的特征层上进行哈希表示或者进行乘积量化，同时联合训练CNN的参数和哈希或乘积量化，从而得到比传统方法更好的检索性能。尽管CNN在分类以及检索等视觉任务上取得了比传统方法性能上的优势，但是最近的研究显示神经网络对于人眼感知不明显的扰动却十分敏感，而且很容易受到对抗样本的攻击。Szegedy等人首先研究了分类任务下的对抗样本问题。Goodfellow等人设计了快速符号梯度(FGSM)的方法来得到对抗样本。除了分类任务外，Chen等人基于图像说明这一任务设计了对抗样本。类似地，Xie等人基本文档来自技高网...

【技术保护点】
1.一种基于深度乘积量化的对抗样本生成方法，其特征在于，其包括：/n将原始图像输入至预设网络模型，以通过所述预设网络模型输出原始图像对应的量化分配中心向量；/n将所述原始图像对应的初始对抗样本输入至所述预设网络模型，以得到所述初始对抗样本对应的对抗特征向量；/n基于所述量化分配中心向量以及所述对抗特征向量，确定所述初始对抗样本对应的损失函数；/n基于所述损失函数对所述预设网络模型进行反向传播，以得到所述原始图像对应的对抗样本。/n

【技术特征摘要】
1.一种基于深度乘积量化的对抗样本生成方法，其特征在于，其包括：
将原始图像输入至预设网络模型，以通过所述预设网络模型输出原始图像对应的量化分配中心向量；
将所述原始图像对应的初始对抗样本输入至所述预设网络模型，以得到所述初始对抗样本对应的对抗特征向量；
基于所述量化分配中心向量以及所述对抗特征向量，确定所述初始对抗样本对应的损失函数；
基于所述损失函数对所述预设网络模型进行反向传播，以得到所述原始图像对应的对抗样本。


2.根据权利要求1所述基于深度乘积量化的对抗样本生成方法，其特征在于，所述预设网络模型包括卷积网络模块以及乘积量化模块，所述卷积网络模块与所述乘积量化模块相连接，所述卷积网络模块用于提取所述卷积网络模块的输入项的特征向量，所述乘积量化模块用于对所述特征向量进行乘积量化。


3.根据权利要求2所述基于深度乘积量化的对抗样本生成方法，其特征在于，所述将原始图像输入至预设网络模型，以通过所述预设网络模型输出原始图像对应的量化分配中心向量具体包括：
将所述原始图像输入至所述卷积网络模块，通过所述卷积网络模型输出所述原始图像对应的特征向量；
将所述特征向量输入至乘积量化模块，并通过所述乘积量化模块输出所述原始图像对应的量化分配中心向量。


4.根据权利要求1所述基于深度乘积量化的对抗样本生成方法，其特征在于，所述基于所述量化分配中心向量以及所述对抗特征向量，确定所述初始对抗样本对应的损失函数具体包括：
基于所述量化分配中心向量以及所述对抗特征向量，确定所述初始对抗样本对应的量化中心分配概率；
根据所述量化中心分配概率确定所述初始对抗样本对应的损失函数。


5.根据权利要求4所述基于深度乘积量化的对抗样本生成方法，其特征在于，所述损失函数的表达式为：



其中，x为原始图像，为对抗样本，bm为量化分配中心向量的第m个子向量，为对抗特征向量的第m个子向量...

【专利技术属性】
技术研发人员：夏树涛，陈斌，冯岩，戴涛，李清，李伟超，
申请(专利权)人：鹏城实验室，清华大学深圳国际研究生院，
类型：发明
国别省市：广东;44