基于二值特征的DCNN鲁棒性增强方法、系统和设备技术方案

本发明专利技术提供一种基于二值特征的DCNN鲁棒性增强方法、系统及设备，所述方法基于深度卷积神经网络骨架模型对采集到的图像进行处理，所述方法包括以下步骤：采用深度卷积神经网络骨架模型对采集到的图像进行处理，得到具有纹理特征的特征图；采用若干个边缘模块和阈值化层模块对采集到的图像进行二值特征分支处理；每个所述边缘模块包括五个梯度卷积核、累加层和池化层；将处理得到的具有纹理特征的特征图与处理得到的二值特征分支图合并输入全连接层，产生类别预测结果。本发明专利技术提供的方法是轻量的，不增加训练时长，可以方便地与流行的骨架模型进行融合，并且能够抵御不同攻击方法生成的对抗样本，有效增强深度卷积神经网络的对抗鲁棒性。抗鲁棒性。抗鲁棒性。

【技术实现步骤摘要】
基于二值特征的DCNN鲁棒性增强方法、系统和设备


[0001]本专利技术属于图像处理
，具体涉及一种基于二值特征的DCNN鲁棒性增强方法、系统和设备，其中DCNN为深度卷积神经网络(Deep Convolutional Neural Network)的缩写。

技术介绍

[0002]深度卷积神经网络已成功应用于机器视觉、语音识别、机器翻译等领域，是新一代人工智能的基础技术之一。另一方面，深度卷积神经网络往往也比较脆弱，容易被对抗样本所愚弄。所谓对抗样本，指的是在普通图像中加入一些人眼觉察不出的噪声后得到的图像。这些图像在人眼看来没有区别，但可令深度卷积神经网络出现错判。如图1所示的关于“狗”的原始样本和对抗样本，对抗样本可令深度卷积神经网络产生误判，输出为“猫”。在一些对安全性要求很高的应用中，如工业缺陷检测、自动驾驶、安防等，深度卷积神经网络的易受攻击特性是其在大规模部署应用时的安全隐患。因此，研究如何提高深度卷积神经网络的鲁棒性兼具工程应用价值和理论研究价值。
[0003]深度卷积神经网络鲁棒性增强解决方案主要有对抗训练方法、特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于二值特征的DCNN鲁棒性增强方法，所述方法基于深度卷积神经网络骨架模型对采集到的图像进行处理，其特征在于，所述方法包括以下步骤：S1、采用深度卷积神经网络骨架模型对采集到的图像进行处理，得到具有纹理特征的特征图；S2、采用若干个边缘模块和阈值化层模块对采集到的图像进行二值特征分支处理；每个所述边缘模块包括五个梯度卷积核、累加层和池化层；S3、将所述S1步骤处理得到的具有纹理特征的特征图与所述S2步骤处理得到的二值特征分支图合并输入全连接层模块，产生类别预测结果。2.根据权利要求1所述的基于二值特征的DCNN鲁棒性增强方法，其特征在于，所述S2步骤中，每个所述边缘模块对采集到的图像处理方法，包括以下步骤：S21、对采集到的图像首先经过所述五个梯度卷积核分别同时进行卷积，得到五个特征图；所述五个特征图分别为二阶梯度特征图、一阶水平梯度特征图、一阶垂直梯度特征图、一阶正对角梯度特征图、一阶负对角梯度特征图；S22、将所述S21步骤经过所述五个梯度卷积核卷积得到的五个特征图合并输入至累加层，进行相加；S23、将所述S22步骤累加得到的特征图输入至所述池化层，所述池化层对输入的特征图进行降采样；S24、对所述S23步骤降采样后的特征图输入至所述阈值化层模块，使用阈值激活函数将特征图转换为二值特征输出。每个所述梯度卷积核的大小均为3
×
3。3.根据权利要求1所述的基于二值特征的DCNN鲁棒性增强方法，其特征在于，所述二阶梯度特征图对应的卷积核取值范围的计算公式如下：其中，为二阶卷积核中坐标为(i,j)的元素，i为所述元素的横坐标，j为所述元素的纵坐标；所述一阶水平梯度特征图对应的卷积核取值范围的计算公式如下：所述一阶垂直梯度特征图对应的卷积核取值范围的计算公式如下：其中，为一阶水平卷积核中坐标为(i,j)的元素；为一阶垂直卷积核中坐标为(i,j)的元素，i为该元素的横坐标，j为该元素的纵坐标。4.根据权利要求1所述的基于二值特征的DCNN鲁棒性增强方法，其特征在于，所述一阶
正对角梯度特征图对应的卷积核取值范围的计算公式如下：所述一阶负对角梯度特征图对应的卷积核取值范围的计算公式如下：其中，为一阶正对角卷积核中坐标为(i,j)的元素；为一阶负对角卷积核中坐标为(i,j)的元素，i为该元素的横坐标，j为该元素的纵坐标。5.根据权利要求1所述的基于二值特征的DCNN鲁棒性增强方法，其特征在于，所述累加层对所述五个梯度卷积核处理后的五个特征图累加的公式如下：其中，为像素点(p，q)经过累加层累加后输出的特征图的累加特征值，为所述二阶梯度特征图在像素点(p，q)的二阶梯度特征值，为所述一阶水平梯度特征图在像素点(p，q)的一阶水平梯度特征值，为所述一阶垂直梯度特征图在像素点(p，q)的一阶垂直梯度特征值，为所述一阶正对角梯度特征图在像素点(p，q)的一阶正对角梯度特征值，为一阶负对角梯度特征图在像素点(p，q...

【专利技术属性】
技术研发人员：丁进，赵洁超，孙勇智，李津蓉，谭平，
申请(专利权)人：浙江科技学院，
类型：发明
国别省市：