System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请实施例涉及计算机视觉领域,更具体地涉及一种图像处理方法、相关装置及存储介质。
技术介绍
1、对抗攻击研究如何针对深度学习模型生成对抗图像,对抗图像可以输入深度学习模型,基于深度学习模型对对抗图像的识别结果可以确定模型是否安全。这有助于及时发现深度学习模型的脆弱性,评估深度学习模型的鲁棒性。一些对抗攻击方法在数字世界中生成添加较小对抗扰动的对抗图像,可以促使对抗样本无法被深度学习模型正确识别或将其识别为指定的标签。
2、车道线检测对于自动驾驶来说是一项非常重要且具有挑战的任务,利用车道线检测可以指导车辆行驶在正确的区域内,为自动驾驶汽车的车道保持、变道超车、自动巡航等行为提供依据。因此,一旦车道线检测无法检测到正确的车道线,将会对自动驾驶车辆带来巨大安全隐患。为了防患于未然,可以生成针对车道线检测的对抗图像,发现并挖掘车道线检测模型的缺陷,以便针对此问题对车道线检测模型进行修复和加固,提升车道线检测模型的鲁棒性和安全性。
3、然而,目前缺少针对车道线检测模型生成对抗图像,以挖掘和发现模型缺陷的方法。
技术实现思路
1、本申请实施例提供一种图像处理方法、相关装置及存储介质,可以将候选对抗扰动进行预设图像变换后生成候选对抗图像,然后至少基于候选对抗图像的第一车道线检测结果与第二车道线检测结果的相似度损失更新候选对抗扰动,从而得到能够基于目标路段实现车道线对抗攻击的目标对抗扰动,且所述目标对抗扰动的迁移攻击成功率高、鲁棒性强。
2、第一方面,本申请
3、获取候选对抗扰动,其中,所述候选对抗扰动基于历史候选对抗扰动更新得到,所述历史候选对抗扰动包括初始扰动;
4、获取目标变换策略,其中,所述目标变换策略中包括至少一种图像变换;
5、基于所述候选对抗扰动、所述目标变换策略以及目标路段图像,获取目标损失值,其中,所述目标损失值至少包括基于第一车道线检测结果和第二车道线检测结果得到的识别相似度损失,所述第一车道线检测结果基于候选对抗图像得到,所述候选对抗图像基于所述目标路段图像、经所述目标变换策略处理的所述候选对抗扰动得到,所述第二车道线检测结果基于经所述目标变换策略处理的初始车道线标签得到;
6、若所述目标损失值不小于预设阈值,则更新所述候选对抗扰动,直至目标损失值小于所述预设阈值,并将目标损失值小于所述预设阈值时的候选对抗扰动作为目标对抗扰动。
7、第二方面,本申请实施例提供一种图像处理装置,具有实现对应于上述第一方面提供的图像处理方法的功能。所述功能可以通过硬件实现,也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块,所述模块可以是软件和/或硬件。
8、在一个实施方式中,所述图像处理装置包括:
9、输入输出模块,被配置为获取目标路段图像;
10、处理模块,被配置为获取候选对抗扰动,其中,所述候选对抗扰动基于历史候选对抗扰动更新得到,所述历史候选对抗扰动包括初始扰动;
11、所述处理模块,还被配置为获取目标变换策略,其中,所述目标变换策略中包括至少一种图像变换;
12、所述处理模块,还被配置为基于所述候选对抗扰动、所述目标变换策略以及目标路段图像,获取目标损失值,其中,所述目标损失值至少包括基于第一车道线检测结果和第二车道线检测结果得到的识别相似度损失,所述第一车道线检测结果基于候选对抗图像得到,所述候选对抗图像基于所述目标路段图像、经所述目标变换策略处理的所述候选对抗扰动得到,所述第二车道线检测结果基于经所述目标变换策略处理的初始车道线标签得到;以及
13、若所述目标损失值不小于预设阈值,则更新所述候选对抗扰动,直至目标损失值小于所述预设阈值,并将目标损失值小于所述预设阈值时的候选对抗扰动作为目标对抗扰动。
14、第三方面,本申请实施例提供一种计算机可读存储介质,其包括指令,当其在计算机上运行时,使得计算机执行如第一方面所述的图像处理方法。
15、第四方面,本申请实施例提供一种计算设备,包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现第一方面所述的图像处理方法。
16、相较于现有技术,本申请实施例中,可以将候选对抗扰动基于至少包括一种图像变换的目标变换策略处理后,结合目标路段图像生成候选对抗图像,然后基于至少包括候选对抗图像的第一车道线检测结果与第二车道线检测结果的相似度损失的目标损失值,更新候选对抗扰动,直至得到能够基于目标路段实现车道线对抗攻击的目标对抗扰动。相比于现有技术需要基于自动驾驶系统的车辆控制信息(例如转向、变道等行车指令)反向更新对抗图像,或者直接修改目标路段图像的带有颜色的标识线(例如白线、黄线和双黄线等),本申请实施例生成目标对抗扰动时,不需要依赖自动驾驶系统,而只需要车道线检测结果,实施条件简单,且不是对目标路段图像的带有颜色的标识线进行修改,更加不容易被肉眼发现,隐蔽性强。另外,由于本申请实施例中基于经过预设图像变换的候选对抗扰动生成候选对抗图像,且至少基于候选对抗图像的第一车道线检测结果与第二车道线检测结果的相似度损失更新候选对抗扰动,从而使得目标对抗扰动即使经过一系列图像变换之后,依然能够实现对抗攻击目的,大大提高了目标对抗扰动的迁移攻击成功率和鲁棒性。本申请实施例提出了一种操作简单、成本低且易实现的车道线检测模型的缺陷发掘方法,能够针对车道线检测模型可能存在的缺陷低沉本地生成对抗图像,从而可以衡量车道线检测模型的安全性,并对不安全的车道线检测模型的缺陷进行有针对性的修复和加固。另外,由于本申请实施例的目标对抗扰动可以经受各种图像变换而依然稳定地实现对抗攻击效果,相当于适应了车辆真实行驶时采集到的道路图像的各种变化,从而可以在物理世界表现出良好的攻击测试性能。
本文档来自技高网...【技术保护点】
1.一种图像处理方法,所述方法包括:
2.如权利要求1所述的方法,其中,所述目标变换策略包括以下图像变换中的至少一种:高斯噪声变换、亮度变换、对比度变换、透视变换和缩放变换;
3.如权利要求2所述的方法,其中,所述目标变换策略为复合变换策略,且由至少两种不同单一图像变换类型的图像变换组成;
4.如权利要求1-3中任一项所述的方法,其中,所述目标损失值至少还包括以下之一:
5.如权利要求4所述的方法,其中,所述目标损失值基于所述识别相似度损失、所述平滑损失和所述颜色损失以及各个损失的预设权重值获取;
6.如权利要求1-3中任一项所述的方法,其中,所述方法应用于驾驶仿真平台,所述初始车道线标签对应驾驶仿真平台中的场景车道线;在得到所述目标对抗扰动之后,所述方法还包括:
7.如权利要求1-3中任一项所述的方法,其中,所述方法应用于自动驾驶系统,所述初始车道线标签对应目标路段中的场景车道线;在得到所述目标对抗扰动之后,所述方法还包括:
8.一种图像处理装置,包括:
9.一种计算设备,包括存储器
10.一种计算机可读存储介质,其包括指令,当其在计算机上运行时,使得计算机执行如权利要求1-7中任一项所述的方法。
...【技术特征摘要】
1.一种图像处理方法,所述方法包括:
2.如权利要求1所述的方法,其中,所述目标变换策略包括以下图像变换中的至少一种:高斯噪声变换、亮度变换、对比度变换、透视变换和缩放变换;
3.如权利要求2所述的方法,其中,所述目标变换策略为复合变换策略,且由至少两种不同单一图像变换类型的图像变换组成;
4.如权利要求1-3中任一项所述的方法,其中,所述目标损失值至少还包括以下之一:
5.如权利要求4所述的方法,其中,所述目标损失值基于所述识别相似度损失、所述平滑损失和所述颜色损失以及各个损失的预设权重值获取;
6.如权利要求1-3中任一项所述的方法,其中,所述方法应用于驾驶...
【专利技术属性】
技术研发人员:请求不公布姓名,请求不公布姓名,请求不公布姓名,请求不公布姓名,请求不公布姓名,请求不公布姓名,
申请(专利权)人:北京瑞莱智慧科技有限公司,
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。