一种基于动态攻击策略的鲁棒行人重识别方法技术

本发明专利技术公开了一种基于动态攻击策略的鲁棒行人重识别方法，创新性地构建了一种动态攻击策略控制对抗样本的生成阶段，由于设定的损失阈值是固定的，行人重识别模型性能提升后，为达到相应的损失阈值，扰动范围会增加，对抗样本的难度会增加，这样能根据当前的行人重识别模型状态动态地调整对抗样本的难度，实现由弱到强的攻击，有效提高对抗训练的鲁棒性。同时，本发明专利技术创新性地提出了一种性能对齐损失函数，用于约束样本生成阶段，生成分布上更贴近干净样本的对抗样本，从而使鲁棒性和干净样本性能更加对齐。性能更加对齐。性能更加对齐。

【技术实现步骤摘要】
一种基于动态攻击策略的鲁棒行人重识别方法


[0001]本专利技术属于行人重识别
，更为具体地讲，涉及一种基于动态攻击策略的鲁棒行人重识别方法。

技术介绍

[0002]鲁棒行人重识别的目标是提高对抗攻击下行人重识别的检索准确率。现有的行人重识别的防御方法主要分为两类。
[0003]第一种类型是对数据进行预处理，在输入到行人重识别模型训练前进行扰动的过滤。常用的预处理方法有比特压缩和中值平滑。比特压缩通过对原始图像的比特深度进行压缩，减少受攻击影响的风险。中值平滑是一种基于窗口的处理技术，将每个数据点替代为窗口内所有数据点的中位数，从而实现平滑噪声和去除异常值的目的。
[0004]第二种类型的方法是对抗训练。这种方法是目前最有效的方法，通过使用攻击方法构造一定难度的对抗样本，使用生成的对抗样本训练行人重识别模型。上述两个过程不断进行对抗优化，从而提高行人重识别模型的鲁棒性。
[0005]传统的行人重识别模型采取干净样本训练，能够在干净样本上达到很优越的性能，但是在精心设计的对抗扰动下，性能会大幅度下滑。基于图像预处理的方法虽然鲁棒性得以提升，但和干净样本上的性能差距过大，同时，图像预处理的方法带来的鲁棒性提升很有限。
[0006]现有的行人重识别防御方法大多是基于固定策略下的对抗训练，对抗训练的目标是将生成的对抗样本去训练行人重识别模型，通过学习攻击扰动后的对抗样本去提高行人重识别模型的鲁棒性。现阶段的对抗训练大多采用预先设定的参数生成对抗样本，然而，固定的扰动不能适应行人重识别模型的性能提升，行人重识别模型在训练过程中的性能是不断增强的，预先设定攻击参数过大，带来训练早期扰动太强，导致行人重识别模型的崩塌，预先设定攻击参数过小，带来后期训练扰动太弱，对行人重识别模型的鲁棒性提升的贡献不大。
[0007]此外，现有的行人重识别的对抗训练中，对抗样本构造主要控制攻击的迭代次数和扰动范围，多次迭代后返回生成的对抗样本，现有的对抗训练很少关注生成的对抗样本的质量，作为行人重识别模型训练的数据，对抗样本的质量很大程度上影响模型的训练效果，对抗样本的质量不高，会导致对抗样本和干净样本之间的分布差异较大，在提升鲁棒性的同时会使干净样本上的性能大幅度下降。

技术实现思路

[0008]本专利技术的目的在于克服现有技术的不足，提供一种基于动态攻击策略的鲁棒行人重识别方法，在对抗样本的生成过程中逐渐增加扰动范围，实现由弱到强的攻击，以有效提高对抗训练的鲁棒性，同时，约束对抗样本的生成，以减小对抗样本和干净样本分布的差异性，实现鲁棒性和干净样本上性能的对齐。
[0009]为实现上述专利技术目的，本专利技术基于动态攻击策略的鲁棒行人重识别方法，其特征在于，包括以下步骤：
[0010](1)、选取m张行人图像，送入行人重识别模型中，得到m张行人图像特征x
i
,i＝1,2,
…
,m，并作为干净样本x，对于第i张行人图像，在m张行人图像中有多张正样本图像，除正样本图像外，其余为负样本图像；
[0011]计算干净样本x的三元组函数均值，代表此时干净样本的难度。如果大于预设的损失阈值，则表示难度足够，不需要进行攻击，直接使用干净样本作为训练数据，进入步骤(3)，否则，进入步骤(2)，进行动态攻击，其中，三元组函数均值为：
[0012][0013]其中，x
pi
为正样本图像特征中距离图像特征x
i
最大的图像特征，x
ni
为负样本图像特征中距离图像特征x
i
中距离最小的图像特征，D表示求欧几里得距离；
[0014](2)、动态攻击
[0015]2.1)、扰动范围初始化为2/255，对抗样本初始化为干净样本，初始迭代次数k为0；
[0016]2.2)、基于扰动范围，对抗样本进行一次投影梯度下降即PGD攻击，攻击的度量为特征间的欧几里得距离，达到同类样本远离和异类样本靠近的效果，生成第k+1次迭代的对抗样本记为
[0017]2.3)、计算对抗样本中第i张图像特征的性能差异权重w
i
：
[0018][0019]其中：
[0020][0021]L
clean
(x
i
)＝log(1+exp(D(x
i
,x
pi
)
‑
D(x
i
,x
ni
)))
[0022][0023]L
clean
(x
j
)＝log(1+exp(D(x
j
,x
pj
)
‑
D(x
j
,x
nj
)))
[0024]其中，j表示图像特征的编号；
[0025]2.4)、计算性能对齐损失函数L：
[0026][0027]其中：
[0028][0029]其中，为第i张图像特征对应正样本图像特征中距离最大的图像特征，为第i张图像特征对应负样本图像特征中距离最小的图像特征；
[0030]2.5)、判断性能对齐函数L是否大于设定的损失阈值，如果大于，表示难度达到了预期难度，将对抗样本作为训练数据，进入步骤(3)，否则，进一步判断迭代次数k+1是否达到迭代次数上限，如果是，进入步骤2.6)，否则，k＝k+1，返回步骤2.2)；
[0031]2.6)、判断扰动范围是否达到扰动范围上界，如果是，将对抗样本作为训练数据，进入步骤(3)，否则，扰动范围增加2/255，k＝0，返回步骤2.2)；
[0032](3)、训练行人重识别模型
[0033]将训练数据输入到行人重识别模型对其进行参数更新，训练的损失函数采用三元组函数和交叉熵函数的组合，并根据损失函数判断是否达到训练的终止条件，达到进入步骤(4)，没有，则返回步骤(1)；
[0034](4)、行人重识别
[0035]将待识别的行人重识别图像输入行人重识别模型，得到识别结果。
[0036]本专利技术的目的是这样实现的。
[0037]本专利技术基于动态攻击策略的鲁棒行人重识别方法创新性地构建了一种动态攻击策略控制对抗样本的生成阶段，由于设定的损失阈值是固定的，行人重识别模型性能提升后，为达到相应的损失阈值，扰动范围会增加，对抗样本的难度会增加，这样能根据当前的行人重识别模型状态动态地调整对抗样本的难度，实现由弱到强的攻击，有效提高对抗训练的鲁棒性。同时，本专利技术创新性地提出了一种性能对齐损失函数，用于约束样本生成阶段，生成分布上更贴近干净样本的对抗样本，从而使鲁棒性和干净样本性能更加对齐。
附图说明
[0038]图1是本专利技术基于动态攻击策略的鲁棒行人重识别方法一种具体实施方式的流程图；
[0039]图2是本专利技术基于动态攻击策略的鲁棒行人重识别方法中对抗样本生成阶段以及训练阶段的原理示意图；
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动态攻击策略的鲁棒行人重识别方法，其特征在于，包括以下步骤：(1)、选取m张行人图像，送入行人重识别模型中，得到m张行人图像特征x
i
,i＝1,2,
…
,m，并作为干净样本x，对于第i张行人图像，在m张行人图像中有多张正样本图像，除正样本图像外，其余为负样本图像；计算干净样本x的三元组函数均值，代表此时干净样本的难度。如果大于预设的损失阈值，则表示难度足够，不需要进行攻击，直接使用干净样本作为训练数据，进入步骤(3)，否则，进入步骤(2)，进行动态攻击，其中，三元组函数均值为：其中，x
pi
为正样本图像特征中距离图像特征x
i
最大的图像特征，x
ni
为负样本图像特征中距离图像特征x
i
中距离最小的图像特征，D表示求欧几里得距离；(2)、动态攻击2.1)、扰动范围初始化为2/255，对抗样本初始化为干净样本，初始迭代次数k为0；2.2)、基于扰动范围，对抗样本进行一次投影梯度下降即PGD攻击，攻击的度量为特征间的欧几里得距离，达到同类样本远离和异类样本靠近的效果，生成第k+1次迭代的对抗样本记为2.3)、计算对抗样本中第i张图像特征的性能差异权重w
i
：其中：L
clean
(x
i
)＝log(1+exp(D(x
i
,x<...

【专利技术属性】
技术研发人员：杨阳，位纪伟，潘晨，王国庆，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：