对抗图像检测模型的训练方法、装置和存储介质制造方法及图纸

本发明专利技术公开了一种对抗图像检测模型的训练方法、装置和存储介质，涉及图像处理技术领域。对抗图像检测模型的训练方法包括：采用预先训练的元模型初始化对抗图像检测模型，其中，元模型的参数是基于多个预训练后的内部网络模型确定的，每个内部网络模型是采用一种或多种对抗图像进行预训练的，每种对抗图像的数量小于预设值；获取包括新的种类的对抗图像的训练图像，其中，新的种类的对抗图像的数量小于预设值；采用训练图像对对抗图像检测模型进行训练，以便采用完成训练的对抗图像检测模型识别对抗图像和非对抗图像。本发明专利技术的训练方法可以实现快速收敛，从而能够快速、准确地识别新的种类的对抗图像。

【技术实现步骤摘要】
对抗图像检测模型的训练方法、装置和存储介质
本专利技术涉及图像处理
，特别涉及一种对抗图像检测模型的训练方法、装置和存储介质。
技术介绍
对抗样本(Adversarialexamples)是指在数据集中通过故意添加细微的干扰所形成的输入样本，会导致模型以高置信度给出一个错误的输出。当对图像添加细微的干扰以对模型进行误导时，形成的样本可以称为对抗图像。人类观察者不会察觉原始图像和对抗图像之间的差异，但是模型会针对原始图像和对抗图像作出完全不同的预测。如果正常的图像中混入了对抗样本，会对系统安全产生一定的威胁。例如，在人脸识别系统中，通过对具有用户U1的脸的图像进行攻击，生成的对抗图像很可能会被神经网络识别成用户U2，而人眼看到的依旧是用户U1，从而使被攻击的用户造成一定损失。为了尽量避免这种情况的发生，在计算机视觉系统中可以集成对抗样本检测的算法模型，用来检测出这种隐患。相关技术可以通过采用大量样本训练深度学习模型、长短记忆网络(LongShort-TermMemory，简称：LSTM)模型等模型进行训练，以识别对抗样本。<本文档来自技高网...

【技术保护点】
1.一种对抗图像检测模型的训练方法，包括：/n采用预先训练的元模型初始化对抗图像检测模型，其中，所述元模型的参数是基于多个预训练后的内部网络模型确定的，每个内部网络模型是采用一种或多种对抗图像进行预训练的，每种对抗图像的数量小于预设值；/n获取包括新的种类的对抗图像的训练图像，其中，所述新的种类的对抗图像的数量小于预设值；/n采用所述训练图像对对抗图像检测模型进行训练，以便采用完成训练的对抗图像检测模型识别对抗图像和非对抗图像。/n

【技术特征摘要】
1.一种对抗图像检测模型的训练方法，包括：
采用预先训练的元模型初始化对抗图像检测模型，其中，所述元模型的参数是基于多个预训练后的内部网络模型确定的，每个内部网络模型是采用一种或多种对抗图像进行预训练的，每种对抗图像的数量小于预设值；
获取包括新的种类的对抗图像的训练图像，其中，所述新的种类的对抗图像的数量小于预设值；
采用所述训练图像对对抗图像检测模型进行训练，以便采用完成训练的对抗图像检测模型识别对抗图像和非对抗图像。


2.根据权利要求1所述的训练方法，其中，所述元模型和内部网络模型具有相同的网络结构。


3.根据权利要求1所述的训练方法，其中，所述训练图像还包括非对抗图像、所述新的种类以外的对抗图像中的至少一种。


4.根据权利要求1所述的训练方法，其中，所述预设值不大于10。


5.根据权利要求1所述的训练方法，还包括：
采用完成训练的对抗图像检测模型识别对抗图像和非对抗图像。


6.根据权利要求1～5中任一项所述的训练方法，还包括：
获得多个任务集，其中，每个任务集包括支持集和查询集，支持集中包括一种或多种对抗图像，每种对抗图像的数量小于预设值；
采用元模型的参数初始化每个任务集对应的内部网络模型；
采用每个任务集中的支持集，对相应的内部网络模型进行预训练；
分别采用每个预训练后的内部网络模型，对相应的任务集中的查询集进行预测；
根据每个预训练后的内部网络模型的预测结果，对元模型的参数进行更新。


7.根据权利要求6所述的训练方法，其中，所述内部网络模型用于识别对抗图像的类别。


8.根据权利要求6所述的训练方法，其中，所述根据每个预训练后的内部网络模型的预测结果，对元模型的参数进行更新包括：

【专利技术属性】
技术研发人员：赵晨旭，石海林，
申请(专利权)人：北京京东尚科信息技术有限公司，北京京东世纪贸易有限公司，
类型：发明
国别省市：北京;11