一种基于WGAN-GP的对抗扰动图像生成方法技术

本发明专利技术是一种基于WGAN

【技术实现步骤摘要】
一种基于WGAN
‑
GP的对抗扰动图像生成方法


[0001]本专利技术属于计算机图形处理技术和人工智能
，具体的说是涉及一种基于WGAN
‑
GP的对抗扰动图像生成方法。

技术介绍

[0002]随着深度学习领域的不断发展以及计算机性能的快速提高，计算机视觉领域的发展取得了巨大的成功，而在计算机视觉领域中，卷积神经网络更是其主要的代表技术之一，并且已经在图像识别、定位、视频跟踪和视频分割等领域得到了广泛的应用。
[0003]虽然研究者已经提出多种应用于数字世界的对抗方法，但多数对抗方法都属于白盒对抗方法，如FGSM对抗方法和C&W对抗方法。而白盒对抗方法有一个严重的弊端：研究者需要在已知训练数据集的前提下，拥有访问网络模型的架构、参数的权限才可进行对抗操作。因此，近几年研究者又提出了多种基于半白盒环境下的对抗方法，其中Xiao等人提出的AdvGAN对抗方法是经典的半白盒对抗方法之一。AdvGAN实现半白盒对抗的原理是，在AdvGAN中的前馈网络训练完成后，可为任何输入的对抗目标产生对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于WGAN
‑
GP的对抗扰动图像生成方法，其特征在于：所述生成方法包括如下步骤：步骤1：参数初始化：设置训练步长n、噪声分布T和训练集P；步骤2：采样噪声分布和数据集样本：从噪声分布T中取m个噪声扰动{z1，z2，...，z
m
}进行小批量采样，从训练集P中取m个原始图像{x1，x2，...，x
m
}进行小批量采样；步骤3：提取原始图像特征向量：利用目标网络模型M的特征提取器f来提取每个原始图像的特征向量，并获取m张原始图像中的特征向量{f(x1)，f(x2)，...，f(x
m
)}，使GAN网络生成器从学习原始图像的特征转换为学习目标特征；步骤4：训练判别网络：在目标损失函数L
WGAN
‑
GP
基础上，通过提升随机梯度来训练判别器；步骤5：小批量采样噪声分布：从噪声分布T中再取m个噪声扰动{z1，z2，...，zm}进行小批量采样；步骤6：训练生成网络：结合目标损失函数L
WGAN
‑
GP
、误判损失函数L
adv
和约束对抗扰动生成幅度损失函数L
norm
，通过降低随机梯度来训练生成器；步骤7：迭代步数：根据设置的迭代步数，反复的进行步骤2
‑
步骤6的步骤直至到达终止条件，最终获取到一个可为任何输入的对抗目标产生对应的对抗扰动图像，而不需要再访问模型本身的前馈网络。2.根据权利要求1所述一种基于WGAN
‑
GP的对抗扰动图像生成方法，其特征在于：目标损失函数L
WGAN...

【专利技术属性】
技术研发人员：蒋凌云，吴梦雪，季一木，孙静，田鹏浩，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：