一种基于统一度量视角的双线性插值鲁棒性目标检测模型制造技术

随着对抗样本的出现，人们对于人工智能的安全性尤为担忧，因为只需要添加少量的扰动就可以误导模型的判断。因此大量的研究聚焦于分类模型的鲁棒性，从而使分类模型的对抗防御已经取得了显著的进展。然而，很少有对针对目标检测鲁棒性的研究，因为训练目标检测模型需要大量的算力。其次是目前的研究很难缩短干净样本和对抗样本的性能差，换句话说，目前的目标检测对抗防御模型的干净样本精度和对抗样本的精度差距过大。为了缓解这一问题，我们提出了一种基于双线性插值的统一视角目标检测鲁棒性模型，能准确地识别干净样本和对抗样本。首先我们借鉴细粒度思想提出的基于统一度量视角的鲁棒性优化,用于干净样本和对抗样本的特征学习。其次，我们提出的基于双线性插值的扰动过滤验证，在略微降低干净样本检测性能的前提下，大幅度提高了目标检测的鲁棒性。大幅度提高了目标检测的鲁棒性。

【技术实现步骤摘要】
一种基于统一度量视角的双线性插值鲁棒性目标检测模型

：
[0001]本专利技术属于人工智能领域，涉及对抗攻击防御方法。

技术介绍
：
[0002]深度神经网络已经在图像三大任务(图像分类，目标检测，语义分割)中取得了重大的进展，但及容易受到对抗攻击的影响。这种对抗扰动是根据图像进入模型所生成的特征梯度来进行扰动攻击的。而且对于攻击者来说，可以准确地定向攻击模型且不易被察觉。换句话说，这种攻击模型是很难做出正确的预测的，因为攻击者已经知晓模型结构或是生成具有迁移性的对抗攻击样本。目前对于图像分类的对抗防御已经收到人们关注，也因此有大量的对抗防御模型产生。而对于目标检测任务来说，目前缺乏对该领域的研究。因为目标检测的数据集来说，种类丰富且背景复杂，例如PASCAL VOC，Microsoft Common Objects in Context(MS COCO)。因此训练鲁棒性的目标检测模型也比图像分类模型花费更多的资源。
[0003]虽然对于目标检测模型的防御研究进展很慢，但也有一些学者在为之努力尝试。MTD通过将对抗训练框架从分类泛化到检测上本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于统一度量视角的双线性插值鲁棒性目标检测模型，具体步骤如下：步骤一：使用通用通过针对细粒度研究来迁移到目标检测对抗防御的模型上，通过输入图像的特征梯度来度量干净样本和对抗样本的距离，提出了一种基于度量的动态卷积参数更新方法，极大地提升了目标检测...

【专利技术属性】
技术研发人员：陈玉玲，杨浩，
申请(专利权)人：贵州大学，
类型：发明
国别省市：