针对红外图像的分类对抗样本生成方法、装置及相关组件制造方法及图纸

本发明专利技术公开了一种针对红外图像的分类对抗样本生成方法、装置及相关组件，涉及图像分类技术领域。该方法包括获取红外图像样本，并在所述红外图像样本上添加多个干扰图像，得到对抗红外图像；将所述对抗红外图像输入至预训练后的神经网络分类模型，并利用反向传播算法对各所述干扰图像进行位置优化，得到并输出优化后的对抗样本。该方法生成的红外图像对抗样本，相对于现有的可见光图像对抗样本生成方式，可以有效降低神经网络分类模型对红外图像的分类准确率，从而有利于辅助用户查找神经网络分类模型的漏洞，进而提高神经网络分类模型的识别精度升级。的识别精度升级。的识别精度升级。

【技术实现步骤摘要】
针对红外图像的分类对抗样本生成方法、装置及相关组件


[0001]本专利技术涉及图像分类
，尤其涉及一种针对红外图像的分类对抗样本生成方法、装置及相关组件。

技术介绍

[0002]目前对于深度学习领域的安全性问题引起了更多的关注，对深度学习模型的对抗攻击成为了一大研究方向。只需要对神经网络的输入进行细微的改变，神经网络就可能出现误判，然后输出完全不同的结果。
[0003]在计算机视觉领域中，对于神经网络的攻击方法涉及图像分类、目标检测、图像分割等。例如通过添加干扰，可以使得一张熊猫的图像被识别为长臂猿；也可以使得在对行人的目标检测中检测不到带有对抗噪声的行人，具体的，利用攻击样本图像攻击目标检测系统，如果攻击成功，则可以协助找到目标检测系统（例如安防系统、自动驾驶系统等具有分类功能的系统）的漏洞，进而提高目标检测系统中图像分类算法的鲁棒性，即，帮助目标检测系统进行识别精度升级，以抵御更多的攻击。
[0004]现有的热红外探测系统在夜间安防、自动驾驶、体温检测等领域发挥着重要作用，具有被动成像、温度敏感度和穿透性等独特优势，其输入的图像为红外图像，但目前的很多对抗样本攻击的方式都是针对于可见光图像，经试验得出：采用可见光图像的对抗样本生成方式生成的红外图像对抗样本，并不能对热红外探测系统发起有效攻击，也就是说，针对红外图像，目前并没有较好的红外图像对抗样本生成方式可以协助热红外探测系统进行识别精度升级。

技术实现思路

[0005]本专利技术的目的是提供一种针对红外图像的分类对抗样本生成方法、装置及相关组件，旨在解决没有适配的红外图像对抗样本生成方式，以达到降低神经网络分类模型对红外图像的识别率的问题。
[0006]为解决上述技术问题，本专利技术的目的是通过以下技术方案实现的：提供一种针对红外图像的分类对抗样本生成方法，其包括：获取红外图像样本，并在所述红外图像样本上添加多个干扰图像，得到对抗红外图像；将所述对抗红外图像输入至预训练后的神经网络分类模型，并利用反向传播算法对各所述干扰图像进行位置优化，得到并输出优化后的对抗样本。
[0007]进一步的，所述在所述红外图像样本上添加多个干扰图像，包括：基于预设亮度规则，获取所述红外图像样本中的目标区域；在所述目标区域添加多个干扰图像，其中，所述干扰图像的亮度大于所述目标区域的亮度。
[0008]进一步的，所述在所述目标区域添加多个干扰图像，包括：
基于预设的排列规则，在所述目标区域排列多个干扰图像，其中，各所述干扰图像为圆形图像。
[0009]进一步的，所述将所述对抗红外图像输入至预训练后的神经网络分类模型之前，包括：获取所述红外图像样本的标签信息，基于所述标签信息对所有的红外图像样本进行类型分类；进一步的，所述输出优化后的对抗样本之后，包括：基于所述标签信息，对输出的对抗样本进行标注。
[0010]进一步的，所述神经网络分类模型为AlexNet神经网络分类模型。
[0011]另外，本专利技术要解决的技术问题是还在于提供一种针对红外图像的分类对抗样本生成装置，其包括：对抗红外图像获取单元，用于获取红外图像样本，并在所述红外图像样本上添加多个干扰图像，得到对抗红外图像；位置优化单元，用于将所述对抗红外图像输入至预训练后的神经网络分类模型，并利用反向传播算法对各所述干扰图像进行位置优化，得到并输出优化后的对抗样本。
[0012]进一步的，所述对抗红外图像获取单元，包括：目标区域获取单元，用于基于预设亮度规则，获取所述红外图像样本中的目标区域；添加子单元，用于在所述目标区域添加多个干扰图像，其中，所述干扰图像的亮度大于所述目标区域的亮度。
[0013]另外，本专利技术实施例又提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的针对红外图像的分类对抗样本生成方法。
[0014]另外，本专利技术实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的针对红外图像的分类对抗样本生成方法。
[0015]本专利技术实施例公开了一种针对红外图像的分类对抗样本生成方法、装置及相关组件，其中，方法包括：获取红外图像样本，并在所述红外图像样本上添加多个干扰图像，得到对抗红外图像；将所述对抗红外图像输入至预训练后的神经网络分类模型，并利用反向传播算法对各所述干扰图像进行位置优化，得到并输出优化后的对抗样本。该方法生成的红外图像对抗样本，相对于现有的可见光图像对抗样本生成方式，可以有效降低神经网络分类模型对红外图像的分类准确率，从而有利于辅助用户查找神经网络分类模型的漏洞，进而提高神经网络分类模型的识别精度升级。
附图说明
[0016]为了更清楚地说明本专利技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0017]图1为本专利技术实施例提供的针对红外图像的分类对抗样本生成方法的流程示意
图；图2为本专利技术实施例提供的针对红外图像的分类对抗样本生成方法的红外图像样本的结构示意图；图3为本专利技术实施例提供的针对红外图像的分类对抗样本生成方法的对抗样本的结构示意图；图4为本专利技术实施例提供的针对红外图像的分类对抗样本生成方法中的添加对抗样本后的红外图像样本的结构示意图；图5为本专利技术实施例提供的针对红外图像的分类对抗样本生成装置的示意性框图；图6为本专利技术实施例提供的计算机设备的示意性框图。
具体实施方式
[0018]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0019]应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和
ꢀ“
包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0020]还应当理解，在此本专利技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本专利技术。如在本专利技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0021]还应当进一步理解，在本专利技术说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0022]请参阅图1，图1为本专利技术实施例提供的针对红外图像的分类对抗样本生成方法的流程示意图；如图1所示，该方法包括步骤S10本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对红外图像的分类对抗样本生成方法，其特征在于，包括：获取红外图像样本，并在所述红外图像样本上添加多个干扰图像，得到对抗红外图像；将所述对抗红外图像输入至预训练后的神经网络分类模型，并利用反向传播算法对各所述干扰图像进行位置优化，得到并输出优化后的对抗样本。2.根据权利要求1所述的针对红外图像的分类对抗样本生成方法，其特征在于，所述在所述红外图像样本上添加多个干扰图像，包括：基于预设亮度规则，获取所述红外图像样本中的目标区域；在所述目标区域添加多个干扰图像，其中，所述干扰图像的亮度大于所述目标区域的亮度。3.根据权利要求2所述的针对红外图像的分类对抗样本生成方法，其特征在于，所述在所述目标区域添加多个干扰图像，包括：基于预设的排列规则，在所述目标区域排列多个干扰图像，其中，各所述干扰图像为圆形图像。4.根据权利要求3所述的针对红外图像的分类对抗样本生成方法，其特征在于，所述将所述对抗红外图像输入至预训练后的神经网络分类模型之前，包括：获取所述红外图像样本的标签信息，基于所述标签信息对所有的红外图像样本进行类型分类。5.根据权利要求4所述的针对红外图像的分类对抗样本生成方法，其特征在于，所述输出优化后的对抗样本之后，包括：基于所述标签信息，对输出的对抗样本进行标注。6.根据权利要求1
‑<...

【专利技术属性】
技术研发人员：李忠义，朱晓宁，刘志，李嘉驹，
申请(专利权)人：精英数智科技股份有限公司，
类型：发明
国别省市：