图像分类网络中基于信息瓶颈算法的图像分类方法技术

本发明专利技术公开一种图像分类网络中基于信息瓶颈算法的图像分类方法，主要解决现有技术中网络结构复杂、未在训练过程中充分利用深度学习网络的高层特征的问题，其实现步骤为：生成干净样本集；构建图像分类网络；通过训练图像分类网络得到训练好的模板网络；生成对抗样本集；利用信息瓶颈算法构建总代价损失函数；训练图像分类网络得到目标网络；对待分类的图像进行分类。本发明专利技术利用图像分类网络中特征提取层的输出获取模板高层特征、干净高层特征与对抗高层特征迭代优化图像分类网络，利用信息瓶颈算法构建了总代价损失函数，可用于对自然图像中的目标进行分类识别。像中的目标进行分类识别。像中的目标进行分类识别。

【技术实现步骤摘要】
图像分类网络中基于信息瓶颈算法的图像分类方法


[0001]本专利技术属于图像处理
，更进一步涉及图像分类
中的一种在图像分类网络中基于信息瓶颈算法的图像分类方法。本专利技术可用于对自然图像中的目标进行分类识别。

技术介绍

[0002]图像分类网络中最经典的网络是ResNet，ResNet通过引入“跳跃连接”有效地缓解了神经网络训练中的梯度消失问题，训练出的图像分类网络在图像分类任务中能够取得高准确率。但图像分类网络实际上相当脆弱，当输入图像被添加了人眼无法分辨的微小的扰动后，会导致网络产生高置信度的误判。这种含有微小扰动且能干扰网络正常工作的输入被称为对抗样本。
[0003]南京航空航天大学在其申请的专利文献“一种基于图像预处理与对抗训练结合的防御对抗样本的方法”(申请号：CN202011383582.8，申请公布号：CN112560901A)中公开了一种图像分类网络中基于图像预处理与对抗训练结合的图像分类方法。该方法的实现方案是：将原始图像和对抗样本分割为小块，进行DCT变换，并对原始图像应用不同压缩比进行压缩得到不同的数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像分类网络中基于信息瓶颈算法的图像分类方法，其特征在于，利用图像分类网络中特征提取层的输出获取模板高层特征、干净高层特征与对抗高层特征来迭代优化图像分类网络，利用信息瓶颈算法构建了总代价损失函数；该图像分类方法的步骤包括如下：步骤1，生成干净样本集：根据待分类图像的任务选取至少2种类别、每种类别至少5000张图像组成干净样本集，将每张图像以与图像大小相同维度的矩阵的形式呈现；步骤2，构建图像分类网络：构建一个与待分类图像的任务对应的，由特征提取层、线性分类层串联组成的图像分类网络，并设置图像分类网络各层参数；步骤3，通过训练图像分类网络得到训练好的模板网络：将干净样本集输入到图像分类网络中，输出每个样本的预测类别概率，利用交叉熵损失函数，计算每个样本的预测类别概率与该样本对应的类别标签间的损失，通过反向传播算法更新迭代目标网络的参数，直到交叉熵损失函数收敛为止，得到训练好的模板网络，保存训练终止时模板网络中特征提取层输出的模板高层特征矩阵；步骤4，生成对抗样本集：步骤4.1，从干净样本集中选取一个未选过的干净样本，将所选样本与随机数矩阵相加后得到一个中间矩阵，将中间矩阵输入到图像分类网络中，通过反向传播算法取得中间矩阵的反向梯度矩阵，将反向梯度矩阵与干净样本相加后得到对抗样本，每个对抗样本以维度与干净样本相同大小的矩阵的形式呈现；步骤4.2，判断是否选完干净样本集中所有的干净样本，若是，则将所有对抗样本组成对抗样本集后执行步骤5，否则，执行步骤4.1；步骤5，利用信息瓶颈算法构建总代价损失函数如下：其中，表示总代价损失函数，N表示干净样本集中样本的总数，∑表示求和操作，Z
i
表示将当前迭代的干净样本集中第i个样本输入训练好的模板网络后特征提取层输出的模板高层特征矩阵，log表示以2为底的对数操作，X
i
表示将当前迭代的干净样本集中第i个样本输入到图像分类网络后特...

【专利技术属性】
技术研发人员：董庆宽，何浚霖，方建平，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：