【技术实现步骤摘要】
本专利技术属于计算机视觉领域，特别涉及一种基于边缘检测的快速梯度下降生成对抗样本的方法及系统。
技术介绍
1、人像语义解析是计算机视觉和多媒体领域的一个基本问题，它聚焦在实际场景下针对人的每个像素进行解析分类，同时对抗样本也是人工智能安全领域的一个基本问题，它对深度神经网络有很强的攻击性，会让神经网络的效果下降。所以针对人像语义分割模型，它在对抗样本的攻击下也会让大多数像素的预测结果变错。
2、人像语义分割常用的评价指标是miou，该指标针对模型对测试集的解析结果进行评价，对于一张输入图像，它会计算每一类的iou，之后把每一类的iou求平均值，最后对所有图像求平均值即可得到模型在测试集上的miou。
3、当前的主流的生成对抗样本的方法大多是利用快速梯度下降法来生成针对性的对抗样本，但是基于梯度下降法是基于目标检测或者图像分类任务而设计，当它应用到人像语义分割任务时效果并不显著，主要是因为两个缺陷：第一个是它很容易在沿着梯度方向行走的过程中会陷入局部最大值，这个局部最大值会让快速梯度下降法误认为已经取得了攻击效果最...
【技术保护点】
1.一种基于边缘检测的快速梯度下降生成对抗样本的方法，其特征在于，步骤包括：
2.如权利要求1所述的方法，其特征在于，步骤1)中作为输入样本的人物图像包含RGB三个维度，在每个像素的每个维度上添加一个处于[-ε,ε]区间的均匀分布的扰动值，其中ε为设定的最大扰动值。
3.如权利要求1所述的方法，其特征在于，步骤2)中人像语义分割模型选用但不限于CE2P模型。
4.如权利要求1所述的方法，其特征在于，损失函数L＝Lseg+Ledge，其中Lseg为图像分割的交叉熵损失函数，Ledge为边缘分类的交叉熵损失函数，其中：
5....
【技术特征摘要】
1.一种基于边缘检测的快速梯度下降生成对抗样本的方法，其特征在于，步骤包括：
2.如权利要求1所述的方法，其特征在于，步骤1)中作为输入样本的人物图像包含rgb三个维度，在每个像素的每个维度上添加一个处于[-ε,ε]区间的均匀分布的扰动值，其中ε为设定的最大扰动值。
3.如权利要求1所述的方法，其特征在于，步骤2)中人像语义分割模型选用但不限于ce2p模型。
4.如权利要求1所述的方法，其特征在于，损失函数l＝lseg+ledge，其中lseg为图像分割的交叉熵损失函数，ledge为边缘分类的交叉熵损失函数，其中：
5.如权利要求1所述的方法，其特征在于，步骤3)中梯度值与输入样本的大小一致，均为h*w*3，h表示高度，w表示宽度，3表示rgb三个维度。
6.如权利要求1所述的方法，其特征在于，步骤4)中利用边缘提取算法计算每个...
【专利技术属性】
技术研发人员：王蕊，董鑫，张三义，
申请(专利权)人：中国科学院信息工程研究所，
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。