【技术实现步骤摘要】
本专利技术涉及航空智能领域，具体涉及一种航空遥感图像目标检测模型的鲁棒性测试方法及系统。
技术介绍
1、近年来，大数据、物联网为模型训练提供了数据支撑，智能芯片、高性能并行计算提供了的充足算力，这些都推动了技术的不断突破，图像目标检测技术作为人工智能领域的研究热点和主流发展方向之一，受到产业界和军事领域的广泛重视。随着深度学习在目标检测领域的大规模应用，目标检测技术的精度和速度得到迅速提高，已被广泛应用于行人检测、人脸检测、文字检测、交通标志及信号灯检测和遥感图像检测等领域。而航空遥感图像检测还具有检测量大、精度要求高等特点，因此其对深度学习模型的鲁棒性要求非常高。
2、深度学习模型的鲁棒性是人工智能系统环境中提出新挑战的关键属性，用于定义和评价人工智能模型及系统避免异常和极端情况等危害导致失效的能力，描述系统在任何情况下保持其功能正确性水平的能力。航空遥感图像的目标检测模型在运行过程中除了会面对环境干扰，还容易遭受人为的对抗性攻击。然后，如何测试模型的鲁棒性是一大难点，相关技术中测试数据集包括的数据主要面向的是普通场景，内容单一，无法实现对各种鲁棒性影响条件的全面覆盖，导致模型的鲁棒性评估不够准确。因此，需要较为全面的航空图像目标检测模型的鲁棒性测试方法。
技术实现思路
1、为了解决上述现有技术的缺陷，本专利技术的目的在于提供一种航空遥感图像目标检测模型的鲁棒性测试方法及系统，其能够围绕图像目标检测等主流人工智能模型的鲁棒性测试需求，提出模型的鲁棒性测试，推动航空遥感
2、具体地，本专利技术提供一种航空遥感图像目标检测模型的鲁棒性测试方法，其包括以下步骤：
3、s1、构建基础数据集：基于航空遥感图像目标检测模型的项目测试集、公开数据集和实地采集数据集，经数据预处理后，构建基础数据集；
4、s2、基于基础数据集，运用基于梯度和优化的白盒攻击方法以及基于知识蒸馏的黑盒攻击方法分别生成第一对抗性样本数据集和第二对抗性样本数据集，混合后得到对抗性样本数据集，具体包括以下子步骤：
5、s21、利用基于梯度和优化的白盒攻击方法生成第一对抗性数据集，具体攻击方法包括基于优化的目标攻击以及基于多次迭代梯度的非目标攻击；
6、s22、利用基于知识蒸馏的黑盒攻击方法生成第二对抗性数据集，具体步骤如下：
7、s221、构建基于知识蒸馏的迁移攻击得到替代的student模型，具体步骤为：
8、s2211、将被测航空遥感图像目标检测模型作为teacher模型，将替代模型作为student模型；
9、s2212、将基础数据集作为输入同时计算teacher模型和的student模型输出，基于模型损失优化student模型参数，多次迭代训练得到替代的student模型；
10、s222、在替代student模型上应用基于优化的目标攻击或基于多次迭代梯度的非目标攻击生成第二对抗性样本数据集；
11、s23、将第一对抗性样本数据集和第二对抗性样本数据集进行混合得到对抗性样本数据集；
12、s3、以步骤s2得到的对抗性样本数据集作为输入，运用基于深度学习的条件生成式对抗网络，生成鲁棒性测试集，其具体包括以下子步骤：
13、s31、构建条件生成式对抗网络模型cgan，cgan模型包括生成器和判别器；其中，生成器接收一个随机噪声向量z和一个条件输入y作为输入，并输出与条件相匹配的合成样本g(x)；判别器引入自注意机制，在输出层之前、卷积层之后加入注意力层，判别器接收真实样本x、条件输入y和生成样本g(x)作为输入，并输出判别结果d(x,y)和d(g(z,y),y)；
14、s32、准备用于训练cgan模型的数据集，数据集包括真实样本和对应的标签信息；
15、s33、训练cgan模型：使用真实样本和生成样本作为训练数据，交替训练生成器和判别器；
16、s34、生成鲁棒性测试集：在cgan模型训练完成后，将步骤s2中的对抗性样本数据集作为输入，利用该模型的生成器，生成鲁棒性测试集并输出；
17、s4、输入鲁棒性测试集执行航空遥感图像目标识别模型的鲁棒性测试，计算目标检测任务指标，评估测试是否通过并输出。
18、优选地，步骤s21中基于多次迭代梯度的非目标攻击具体为：
19、x′0＝x
20、
21、attack(x′i)←{x′i；i％m＝0,i≤u}
22、式中，x表示基础数据集中选取的原始输入图像样本，x'n为第n次迭代计算后生成的对抗性干扰图像，ε扰动幅度是一个小的常数，调整e可以设置噪声扰动的幅度大小，公式中的sign为符号函数，用于获取模型中梯度的符号；j(x'n,y；θ)代表参数为θ的被攻击模型，对于以x'n的输入、以y为预期输出的损失函数，表示航空遥感图像目标检测模型损失函数通过反向传播对输入求得的梯度；具体执行步骤如下：
23、s211、将基础测试集中的遥感图像样本作为初始变换样本x'0；
24、s212、对于进行迭代的样本变换，施加clip像素裁剪操作，对超过阈值的变换样本像素进行裁剪；
25、s213、在迭代过程中选择攻击步数m，代表每迭代计算m次样本就将样本送入模型中用于实际的攻击，迭代一直进行到攻击成功或到达最大迭代次数u为止。
26、优选地，步骤s21中基于优化的目标攻击，利用目标函数中的变量使最优解的空间增大，并利用最优的目标函数生成对抗样本：
27、minimize||δ||p+c·g(x+δ)
28、s.t.x+δ∈[0,1]m
29、其中，c是平衡常数，g(x+δ)是目标函数，||δ||p是扰动的距离，p取值为0，2和∞，利用l2范数计算扰动距离，将上述公式转变为：
30、
31、g(x)＝max[max{pi(x′)-pj(x′),i≠j},-v]
32、其中，pi(x')和pj(x')分别为模型对于x'的logits输出经softmax计算后对于目标类别i和j的概率，i为原图像标注的目标类别，j为期望诱导模型做出的错误分类，v为一个控制置信度的常数。
33、优选地，步骤s33中生成器的损失函数采用负对数似然损失函数，计算公式如下：
34、lg＝-log(d(g(z,y),y))
35、其中，y是条件输入，即目标的类别，z是噪声扰动，g(·)和d(·)分别为生成器和判别器的输出。
36、判别器的损失函数使用二分类交叉熵损失函数，计算公式如下：
37、ld＝-log(d(x,y))-log(1-d(g(z,y),y))。
38、其中，x是真实图像样本，y是条件输入，即目标的类别，z是噪声扰动，g(·本文档来自技高网...
【技术保护点】
1.一种航空遥感图像目标检测模型的鲁棒性测试方法，其特征在于：其包括以下步骤：
2.根据权利要求1所述的航空遥感图像目标检测模型的鲁棒性测试方法，其特征在于：步骤S21中基于多次迭代梯度的非目标攻击具体为：
3.根据权利要求1所述的航空遥感图像目标检测模型的鲁棒性测试方法，其特征在于：步骤S21中基于优化的目标攻击，利用目标函数中的变量使最优解的空间增大，并利用最优的目标函数生成对抗样本：
4.根据权利要求1所述的航空遥感图像目标检测模型的鲁棒性测试方法，其特征在于：步骤S33中生成器的损失函数采用负对数似然损失函数，计算公式如下：
5.根据权利要求1所述的航空遥感图像目标检测模型的鲁棒性测试方法，其特征在于：步骤S2212具体包括以下步骤：
6.根据权利要求1所述的航空遥感图像目标检测模型的鲁棒性测试方法，其特征在于：步骤S31中生成器采用的深度神经网络结构包括条件编码器、特征融合、生成器网络以及输出层；
7.根据权利要求1所述的航空遥感图像目标检测模型的鲁棒性测试方法，其特征在于：步骤S4中选择F1值和m
8.根据权利要求7所述的航空遥感图像目标检测模型的鲁棒性测试方法，其特征在于：步骤S4中在计算F1值和mAP指标前，计算交并比IoU，如IoU≥r，则判定目标定位成功，继续计算F1值和mAP指标，否则直接判定模型定位目标失败并输出测试未通过的结果；其中，交并比IoU的计算公式如下：
9.根据权利要求8所述的航空遥感图像目标检测模型的鲁棒性测试方法，其特征在于：目标检测模型的F1值的具体计算步骤如下：
10.一种用于权利要求1所述的航空遥感图像目标检测模型的鲁棒性测试方法的鲁棒性测试系统，其特征在于：其包括基础数据集构建单元、对抗性样本数据集生成单元、鲁棒性测试集生成单元以及鲁棒性测试单元；
...【技术特征摘要】
1.一种航空遥感图像目标检测模型的鲁棒性测试方法，其特征在于：其包括以下步骤：
2.根据权利要求1所述的航空遥感图像目标检测模型的鲁棒性测试方法，其特征在于：步骤s21中基于多次迭代梯度的非目标攻击具体为：
3.根据权利要求1所述的航空遥感图像目标检测模型的鲁棒性测试方法，其特征在于：步骤s21中基于优化的目标攻击，利用目标函数中的变量使最优解的空间增大，并利用最优的目标函数生成对抗样本：
4.根据权利要求1所述的航空遥感图像目标检测模型的鲁棒性测试方法，其特征在于：步骤s33中生成器的损失函数采用负对数似然损失函数，计算公式如下：
5.根据权利要求1所述的航空遥感图像目标检测模型的鲁棒性测试方法，其特征在于：步骤s2212具体包括以下步骤：
6.根据权利要求1所述的航空遥感图像目标检测模型的鲁棒性测试方法，其特征在于：步骤s31中生成器采用的深度神经网络结构包括条件编码器...
【专利技术属性】
技术研发人员：蔡玉华，郭耕佑，封二强，何柳，
申请(专利权)人：中国航空综合技术研究所，
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。