【技术实现步骤摘要】
本申请涉及图像识别技术，尤其涉及一种生成对抗模型的训练方法、对抗图像生成方法及设备。
技术介绍
1、随着计算机技术的发展，使用深度神经网络构建的图像识别模型应用于多种业务场景中，例如，支付场景、身份认证场景等场景中。而在图像识别模型上线之前，需要使用测试样本，测试图像识别模型的可靠性，为了提高测试样本的检测能力，往往需要提升测试样本泛化性。
技术实现思路
1、本申请实施例提供一种生成对抗模型的训练方法、对抗图像生成方法及设备，能够提升生成对抗模型生成的对抗图像样本的泛化性。
2、本申请实施例的技术方案是这样实现的：
3、本申请实施例提供一种生成对抗模型的训练方法，所述生成对抗模型包括生成器、判别器和对象识别模型集合，所述对象识别模型集合包括n个对象识别模型；所述方法包括：
4、通过所述生成器生成训练图像样本的对抗图像样本；
5、对象识别模型集合中的每个对象识别模型均对训练图像样本和对抗图像样本进行特征提取，得到训练图像样本的第一图像特征和对抗图像样本的第二图像特征，计算第一图像特征和第二图像特征的相似度；
6、针对每个对象识别模型，基于所述对象识别模型对应的相似度确定所述对象识别模型的权重，并根据每个对象识别模型的权重和对应的相似度，得到所述对象识别模型集合的损失函数；
7、固定所述判别器的参数不变，基于所述对象识别模型集合的损失函数更新所述生成器的参数，得到目标生成对抗模型。
8、本申请实施例提供
9、获取输入图像；
10、生成对抗模型中的生成器对所述输入图像进行处理，生成噪声；
11、融合所述噪声和所述输入图像，以生成对抗图像样本，其中，所述生成对抗模型是基于上述生成对抗模型的训练方法训练得到的。
12、本申请实施例提供一种生成对抗模型的训练装置，所述生成对抗模型包括生成器、判别器和对象识别模型集合，所述对象识别模型集合包括n个对象识别模型；包括：
13、样本生成模块，用于通过所述生成器生成训练图像样本的对抗图像样本；
14、相似度确定模块，用于通过对象识别模型集合中的每个对象识别模型均对训练图像样本和对抗图像样本进行特征提取，得到训练图像样本的第一图像特征和对抗图像样本的第二图像特征，计算第一图像特征和第二图像特征的相似度；
15、损失值确定模块，用于针对每个对象识别模型，基于所述对象识别模型对应的相似度确定所述对象识别模型的权重，并根据每个对象识别模型的权重和对应的相似度，得到所述对象识别模型集合的损失函数；
16、参数更新模块，用于固定所述判别器的参数不变，基于对象识别模型集合的损失函数更新所述生成器的参数，得到目标生成对抗模型。
17、本申请实施例提供一种对抗图像生成装置，包括：
18、图像获取模块，用于获取输入图像；
19、噪声生成模块，用于通过目标生成对抗模型中的生成器对所述输入图像进行处理，生成噪声；
20、对抗图像样本生成模块，用于融合所述噪声和所述输入图像，以生成对抗图像样本，其中，所述目标生成对抗模型是基于上述生成对抗模型的训练方法训练得到的。
21、本申请实施例提供一种电子设备，所述电子设备包括：
22、存储器，用于存储计算机可执行指令；
23、处理器，用于执行所述存储器中存储的计算机可执行指令时，实现本申请实施例提供的生成对抗模型的训练方法，或者实现本申请实施例提供的对抗图像生成方法。
24、本申请实施例提供一种计算机可读存储介质，存储有计算机程序或计算机可执行指令，用于被处理器执行时实现本申请实施例提供的生成对抗模型的训练方法，或者实现本申请实施例提供的对抗图像生成方法。
25、本申请实施例提供一种计算机程序产品，包括计算机程序或计算机可执行指令，所述计算机程序或计算机可执行指令被处理器执行时，实现本申请实施例提供的生成对抗模型的训练方法，或者实现本申请实施例提供的对抗图像生成方法。
26、本申请实施例具有以下有益效果：
27、在对由生成器和判别器组成的生成对抗模型进行训练的过程中，增加了n个对象识别模型参与对生成器的训练，其中，对象识别模型为经过训练后的对象识别模型。这样使得在训练的过程中，可以基于对象识别模型自身的结构和参数，影响生成器中参数的更新。在此基础上，在对象识别模型不同的情况下，生成器可以根据每次参与训练的不同的对象识别模型，调整参数，从而生成泛化性更强的对抗图像样本。进一步的，可以通过基于对象识别模型的相似度，确定出对象识别模型的权重，可以通过调整对象识别模型的权重，有针对性的控制生成器的参数更新，从而使得生成器能够生成更理想的对抗图像样本。
本文档来自技高网...【技术保护点】
1.一种生成对抗模型的训练方法，其特征在于，所述生成对抗模型包括生成器、判别器和对象识别模型集合，所述对象识别模型集合包括n个对象识别模型；所述方法包括：
2.根据权利要求1所述的方法，其特征在于，在所述对象识别模型集合中的每个对象识别模型均对训练图像样本和对抗图像样本进行特征提取，得到训练图像样本的第一图像特征和对抗图像样本的第二图像特征，计算第一图像特征和第二图像特征的相似度之前，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，所述针对每个对象识别模型，基于所述对象识别模型对应的相似度确定所述对象识别模型的权重，并根据每个对象识别模型的权重和对应的相似度，得到所述对象识别模型集合的损失函数，包括：
4.根据权利要求3所述的方法，其特征在于，所述确定所述判别损失函数与所述识别损失函数的加和，以作为所述生成对抗模型集合的损失函数，包括：
5.根据权利要求1所述的方法，其特征在于，所述生成对抗模型还包括检测器；在所述基于所述对象识别模型的集合的损失函数更新所述生成器的参数之后，所述方法还包括：
6.根据权利要求
7.一种对抗图像生成方法，其特征在于，所述方法包括：
8.一种生成对抗模型的训练装置，其特征在于，所述生成对抗模型包括生成器、判别器和对象识别模型集合，所述对象识别模型集合包括n个对象识别模型；包括：
9.一种电子设备，其特征在于，所述电子设备包括：
10.一种计算机可读存储介质，存储有计算机可执行指令或者计算机程序，其特征在于，所述计算机可执行指令或者计算机程序被处理器执行时实现权利要求1～6任一项所述的一种生成对抗模型的训练方法，或者实现权利要求7所述的对抗图像生成方法。
...【技术特征摘要】
1.一种生成对抗模型的训练方法，其特征在于，所述生成对抗模型包括生成器、判别器和对象识别模型集合，所述对象识别模型集合包括n个对象识别模型；所述方法包括：
2.根据权利要求1所述的方法，其特征在于，在所述对象识别模型集合中的每个对象识别模型均对训练图像样本和对抗图像样本进行特征提取，得到训练图像样本的第一图像特征和对抗图像样本的第二图像特征，计算第一图像特征和第二图像特征的相似度之前，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，所述针对每个对象识别模型，基于所述对象识别模型对应的相似度确定所述对象识别模型的权重，并根据每个对象识别模型的权重和对应的相似度，得到所述对象识别模型集合的损失函数，包括：
4.根据权利要求3所述的方法，其特征在于，所述确定所述判别损失函数与所述识别损失函数的加和，以作为所述生成对抗模型集合的损失函数，包括：
5.根据权利要求...
【专利技术属性】
技术研发人员：刘彦宏，
申请(专利权)人：马上消费金融股份有限公司，
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。