【技术实现步骤摘要】
本专利技术涉及计算机视觉社区，特别是涉及一种基于强化学习的红外对抗补丁生成方法及装置。
技术介绍
1、目标检测器大多由深度神经网络(deep neural networks，dnns)训练而成，经过训练的dnn容易受到轻微扰动的影响，在图像上加入人眼不可见的噪声，或者给图片增加如颜色、纹理和伪装等属性，可以使得dnn难以识别目标图像。当前，通常通过给图片增加如颜色、纹理和伪装等属性生成对抗样本进而通过对抗训练来提高目标检测器的鲁棒性。
2、基于补丁的对抗攻击被定义为使用精心制作的对抗补丁欺骗dnn的攻击，并且经常被应用于物理攻击。基于补丁的对抗攻击方法用补丁替换威胁图像的局部区域，而不考虑扰动约束。当前的基于补丁的对抗攻击方法主要集中在为可见光对抗补丁设计特殊的结构和纹理，对抗补丁大多为可见光场景下的彩色图像，生成的对抗贴片包含细节较多，对抗攻击效果更为容易实现，而红外灰度图像区别于可见光图像缺乏大量特征信息，可见光的对抗攻击手段并不适用于红外。
3、现有技术中，通常采用以下两种方法在红外场景下生成对抗补丁，一种...
【技术保护点】
1.一种基于强化学习的红外对抗补丁生成方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于强化学习的红外对抗补丁生成方法，其特征在于，所述下一时间步执行动作为选择下一时间步灰度块在补丁区域张贴的坐标和灰度。
3.根据权利要求2所述的基于强化学习的红外对抗补丁生成方法，其特征在于，初始化补丁，获得初始的过程样本包括：
4.根据权利要求3所述的基于强化学习的红外对抗补丁生成方法，其特征在于，在所述补丁区域构建初始灰度块包括：
5.根据权利要求4所述的基于强化学习的红外对抗补丁生成方法，其特征在于，根据所述下一时间步...
【技术特征摘要】
1.一种基于强化学习的红外对抗补丁生成方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于强化学习的红外对抗补丁生成方法，其特征在于，所述下一时间步执行动作为选择下一时间步灰度块在补丁区域张贴的坐标和灰度。
3.根据权利要求2所述的基于强化学习的红外对抗补丁生成方法，其特征在于，初始化补丁，获得初始的过程样本包括：
4.根据权利要求3所述的基于强化学习的红外对抗补丁生成方法，其特征在于，在所述补丁区域构建初始灰度块包括：
5.根据权利要求4所述的基于强化学习的红外对抗补...
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。