【技术实现步骤摘要】
基于嵌入流形表征和信息瓶颈约束的图像检测方法
[0001]本专利技术涉及的是一种神经网络应用领域的技术，具体是一种基于嵌入流形表征和信息瓶颈约束的图像检测方法。
技术介绍
[0002]图像分类的主要任务是将输入图像识别为所给定类别中的某一类。作为计算机视觉最为基本的任务，也是图像检测、分割等其他高层视觉任务的基础，图像分类在很多领域有着广泛的应用，如人脸识别、物体检测、视频分析等。这些应用往往要求模型算法具有一定的鲁棒性，其中鲁棒性指的是模型算法对攻击样本的抵抗能力，高鲁棒性即指模型算法面对攻击样本依然能够表现出足够优秀的分类准确率，其中攻击样本是通过诸如对原图添加随机噪声等一些手段得到的、旨在让模型算法给出错误分类结果的样本；然而，现有的基于深度神经网络的分类算法大多都是黑盒模型，其分类的工作机制不透明，这导致了它们不能保证其抵御攻击样本的能力，进而也不能保证其分类结果的鲁棒性。
技术实现思路
[0003]本专利技术针对现有技术存在的上述不足，提出一种基于嵌入流形表征和信息瓶颈约束的图像检测方法，通过对待分...
【技术保护点】
【技术特征摘要】
1.一种基于嵌入流形表征和信息瓶颈约束的图像检测方法，其特征在于，在离线阶段初始化鉴别器网络和作为编码器或解码器的生成流模型网络并依次计算重构损失函数、信息瓶颈损失函数和雅可比矩阵等距损失函数并得到总损失函数，从而对生成流模型网络以及对鉴别器网络进行反向传播实现训练；在在线阶段通过训练后的生成流模型网络得到待测图像的判别特征和共性特征，并仅对共性特征属于共性特征空间的图像进行图像重构和子流形图像重构，通过计算重构图像到各类别子流形重构图像之间的距离实现图像分类。2.根据权利要求1所述的基于嵌入流形表征和信息瓶颈约束的图像检测方法，其特征是，所述的作为编码器或解码器是指：当生成流模型网络作为编码器时，通过将输入的图像映射到特征编码空间并判别特征空间和共性特征空间的笛卡尔乘积，得到输入图像对应的共性特征以及判别特征；当生成流模型网络作为解码器时，通过将输入的共性特征和判别特征的联合映射到图像空间，得到对应的重构图像。3.根据权利要求1所述的基于嵌入流形表征和信息瓶颈约束的图像检测方法，其特征是，所述的生成流模型网络包括：一个维度提升层和一个基本流模块层，其中：维度提升层通过在该特征的末尾填补指定个数的零，将输入共性特征和判别特征联合的维度提升到图像空间对应的维度，作为网络的中间特征；基本流模块层在保证模型网络的雅可比矩阵体积元具有足够复杂度的基础上，对中间特征进行任意复杂的非线性变化以生成对应的重构图像。4.根据权利要求1所述的基于嵌入流形表征和信息瓶颈约束的图像检测方法，其特征是，所述的基本流模块层包括：依次堆叠的可逆卷积层和仿射耦合层，其中：可逆卷积层在保证可逆的基础上混合输入特征的各个通道特征，仿射耦合层在保证同样可逆的基础上对输入特征做任意复杂的非线性变换，具体为：令输出沿着图像通道维度分割得到的第一部分与输入特征的第一部分保持相同，输出特征的第二部分等于输入特征的第二部分叠加上输入特征第一部分的非线性变换经平移和尺度放缩后的特征结果。5.根据权利要求4所述的基于嵌入流形表征和信息瓶颈约束的图像检测方法，其特征是，所述的可逆卷积层是指：核大小为1
×
1、权重矩阵为随机初始化且不可被训练的旋转矩阵的卷积层，不包含可训练参数且其转置卷积操作，即逆映射；所述的仿射耦合层包括：堆叠的卷积层和线性整流单元。6.根据权利要求1所述的基于嵌入流形表征和信息瓶颈约束的图像检测方法，其特征是，所述的鉴别器网络根据共性特征得到预测的类别标签，具体包括：依次堆叠的全连接层和线性整流单元，其中：全连接层对输入特征进行线性映射得到高层特征，线性整流单元根据特征进行线性整流处理，引入非线性运算，使神经网络具备拟合非线性函数的能力。7.根据权利要求1所述的基于嵌入流形表征和信息瓶颈约束的图像检测方法，其特征是，所述的重构损失函数其中：g为生成流模型网络，为可被训练的所有类别的判别特征聚类中心参数的集合，为类别y对...
【专利技术属性】
技术研发人员：张丽清，潘子琦，张健夫，招浩华，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。