一种基于GAN的强化样本生成方法技术

本申请涉及一种基于GAN的强化样本生成方法。该方法包括：获取待强化样本；将待强化样本输入到预先训练好的StrGAN生成模型中进行强化，获得目标强化样本；StrGAN生成模型的训练方式为：获取原始图片样本；采用RGB转YCbCr的方法对原始图片样本进行处理，获得处理后的图片样本；将处理后的图片样本输入到基于StrGAN算法的生成器中，采用StrGAN算法将自动提取输入的处理后的图片样本的特征，生成强化样本；将强化样本进行精度评估，当精度达到预设条件时，获得StrGAN生成模型，使生成的目标强化样本从扰动的积极影响来提高神经网络，提高了神经网络的性能。

【技术实现步骤摘要】
一种基于GAN的强化样本生成方法
本申请涉及计算机图像处理
，特别是涉及一种基于GAN的强化样本生成方法。
技术介绍
随着人工智能技术的发展，机器学习和深度学习算法已被广泛应用于许多复杂领域，如目标检测、人脸识别、自然语言处理和图像分类等。但有研究发现神经网络易受微小输入扰动的干扰，且当前大多数研究(如对抗样本)均是利用扰动的消极影响使神经网络产生误判。目前，对抗样本的生成方法主要分为传统方法和生成对抗网络法。其中，传统方法主要基于梯度和优化的方法，如FGSM(GoodfellowIJ,ShlensJ,SzegedyC.Explainingandharnessingadversarialexamples[J].arXivpreprintarXiv:1412.6572,2014.)、Deepfool(Moosavi-DezfooliSM,FawziA,FrossardP.Deepfool:asimpleandaccuratemethodtofooldeepneuralnetworks[C]//ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition.2016:2574-2582.)和C&W(CarliniN,WagnerD.Towardsevaluatingtherobustnessofneuralnetworks[C]//2017ieeesymposiumonsecurityandprivacy(sp).IEEE,2017:39-57.)。尽管传统方法可以在短时间内生成大量有效的对抗样本，但这些样本容易扰动过度，且样本的对抗性特性几乎不具有鲁棒性。2014年，Goodfellow等人提出的生成对抗网络(GAN)能够生成高质量样本，节省训练时间(GoodfellowI,Pouget-AbadieJ,MirzaM,etal.Generativeadversarialnets[C]//Advancesinneuralinformationprocessingsystems.2014:2672-2680.)，与传统模型相比，取得了长足进步，同时也为对抗样本的研究带来了新方向。此后基于生成对抗网络的方法被提了出来。肖超伟等人提出了AdvGAN方法，该方法在原始GAN结构中添加了分类器，在GAN约束生成的样本接近原始样本的同时使其预测类别接近目标类别，从而确保对抗样本可以有效地进行攻击(XiaoC,LiB,ZhuJY,etal.Generatingadversarialexampleswithadversarialnetworks[J].arXivpreprintarXiv:1801.02610,2018.)。在此基础上，Mangla等人提出了一种改进的方法AdvGAN++，该方法通过引入分类器中的隐藏层向量作为GAN的输入来生成对抗样本(ManglaP,JandialS,VarshneyS,etal.AdvGAN++:Harnessinglatentlayersforadversarygeneration[J].arXivpreprintarXiv:1908.00706,2019.)。而上述对抗样本的生成方法都是基于扰动的消极影响会误导网络的想法而设计的，神经网络易受微小扰动影响，因此容易使神经网络产生误判，使得神经网络的性能较低。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够提高神经网络的性能的基于GAN的强化样本生成方法。一种基于GAN的强化样本生成方法，所述方法包括：获取待强化样本；将所述待强化样本输入到预先训练好的StrGAN生成模型中进行强化，获得目标强化样本；所述StrGAN生成模型的训练方式为：获取原始图片样本；采用RGB转YCbCr的方法对所述原始图片样本进行处理，获得处理后的图片样本；将所述处理后的图片样本输入到基于StrGAN算法的生成器中，采用StrGAN算法将自动提取输入的所述处理后的图片样本的特征，生成强化样本；将所述强化样本进行精度评估，当所述精度达到预设条件时，获得StrGAN生成模型。在其中一个实施例中，所述采用RGB转YCbCr的方法对所述原始图片样本进行处理，获得处理后的图片样本的步骤，包括：采用RGB转YCbCr的方法对所述原始图片样本进行处理，并将所述原始图片样本的通道由3压缩为2，获得处理后的图片样本。在其中一个实施例中，所述将所述强化样本进行精度评估，当所述精度达到预设条件时，获得StrGAN生成模型的步骤，包括：将所述强化样本输入判别器，输出对抗损失；将所述强化样本输入目标分类器，计算所述强化样本的标签与所述原始图片样本的标签之间的标签距离；根据所述对抗损失、所述标签距离和L2范数计算的所述强化样本与所述原始图片样本之间的样本距离，判断所述精度是否达到预设条件；当所述精度达到预设条件时，获得StrGAN生成模型。在其中一个实施例中，所述预设条件为：所述对抗损失小于等于第一预设值、所述标签距离小于等于第二预设值和所述样本距离小于等于第三预设值。在其中一个实施例中，所述方法还包括：当所述精度未达到预设条件时，返回采用RGB转YCbCr的方法对所述原始图片样本进行处理，获得处理后的图片样本的步骤，直至所述精度达到预设条件。在其中一个实施例中，所述目标分类器为采用AlexNet、VGG16和ResNet18三种分类器，对二分类、三分类和五分类三种数据集进行训练，获得的准确率在75％-85％范围内的分类器。上述基于GAN的强化样本生成方法，通过获取待强化样本；将待强化样本输入到预先训练好的StrGAN生成模型中进行强化，获得目标强化样本；StrGAN生成模型的训练方式为：获取原始图片样本；采用RGB转YCbCr的方法对原始图片样本进行处理，获得处理后的图片样本；将处理后的图片样本输入到基于StrGAN算法的生成器中，采用StrGAN算法将自动提取输入的处理后的图片样本的特征，生成强化样本；将强化样本进行精度评估，当精度达到预设条件时，获得StrGAN生成模型，使生成的目标强化样本从扰动的积极影响来提高神经网络，提高了神经网络的性能。附图说明图1为一个实施例中基于GAN的强化样本生成方法的流程示意图；图2为一个实施例中基于StrGAN算法的生成器的模型结构示意图；图3为一个实施例中判别器的模型结构示意图；图4为一个实施例中StrGAN的整体架构示意图；图5为一个实施例中基于GAN的强化样本生成方法的评估流程示意图；图6为一个实施例中二分类样本的实验结果示意图；图7为一个实施例中三分类样本的实验结果示意图；图8为一个实施例中五分类样本的实验结果示意图；图9为一个实施例中不同图像处理的实验结果示意图。具体实施方式为本文档来自技高网...

【技术保护点】
1.一种基于GAN的强化样本生成方法，其特征在于，所述方法包括：/n获取待强化样本；/n将所述待强化样本输入到预先训练好的StrGAN生成模型中进行强化，获得目标强化样本；/n所述StrGAN生成模型的训练方式为：/n获取原始图片样本；/n采用RGB转YCbCr的方法对所述原始图片样本进行处理，获得处理后的图片样本；/n将所述处理后的图片样本输入到基于StrGAN算法的生成器中，采用StrGAN算法将自动提取输入的所述处理后的图片样本的特征，生成强化样本；/n将所述强化样本进行精度评估，当所述精度达到预设条件时，获得StrGAN生成模型。/n

【技术特征摘要】
1.一种基于GAN的强化样本生成方法，其特征在于，所述方法包括：
获取待强化样本；
将所述待强化样本输入到预先训练好的StrGAN生成模型中进行强化，获得目标强化样本；
所述StrGAN生成模型的训练方式为：
获取原始图片样本；
采用RGB转YCbCr的方法对所述原始图片样本进行处理，获得处理后的图片样本；
将所述处理后的图片样本输入到基于StrGAN算法的生成器中，采用StrGAN算法将自动提取输入的所述处理后的图片样本的特征，生成强化样本；
将所述强化样本进行精度评估，当所述精度达到预设条件时，获得StrGAN生成模型。


2.根据权利要求1所述的方法，其特征在于，所述采用RGB转YCbCr的方法对所述原始图片样本进行处理，获得处理后的图片样本的步骤，包括：
采用RGB转YCbCr的方法对所述原始图片样本进行处理，并将所述原始图片样本的通道由3压缩为2，获得处理后的图片样本。


3.根据权利要求1所述的方法，其特征在于，所述将所述强化样本进行精度评估，当所述精度达到预设条件时，获得StrGAN生成...

【专利技术属性】
技术研发人员：吴俊凤，王金伟，赵俊杰，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：江苏;32