【技术实现步骤摘要】
本申请属于图像目标检测领域，涉及目标检测网络鲁棒性提升技术，具体是基于扰动幅度自适应控制的目标检测网络鲁棒性提升方法。
技术介绍
1、在机器学习和深度学习进行图像目标检测的过程中，需要生成对抗样本，投影梯度下降法是一种常用的对抗攻击算法，用于解决约束优化问题。传统的投影梯度下降法通过在每个迭代步骤中计算梯度，并在搜索空间中更新位置，以寻找最优解；对抗样本可以帮助评估和衡量模型对于输入扰动的敏感程度，从而测试模型的鲁棒性。
2、现有的机器学习和深度学习进行图像目标检测中对抗样本生成方法，如投影梯度下降法，它通过迭代地在输入数据上加入微小的扰动，以改变模型的输出结果；而投影梯度下降法生成的对抗样本可能具有较大的扰动半径，即使是很微小的、人眼几乎察觉不到的扰动也能导致模型输出发生显著变化，这种也可能导致模型在实际应用中可能不够稳定，进而导致最终的样本不够真实。
3、因此需要一种基于扰动幅度自适应控制的目标检测网络鲁棒性提升方法，以解决上述技术问题。
技术实现思路
1、本申...
【技术保护点】
1.基于扰动幅度自适应控制的目标检测网络鲁棒性提升方法，其特征在于，包括：
2.根据权利要求1所述的基于扰动幅度自适应控制的目标检测网络鲁棒性提升方法，其特征在于，所述对检测图像集中的正常样本使用投影梯度下降法生成对抗样本，包括：
3.根据权利要求1所述的基于扰动幅度自适应控制的目标检测网络鲁棒性提升方法，其特征在于，所述根据预测标签和识别标签获取初始损失值，包括：
4.根据权利要求1所述的基于扰动幅度自适应控制的目标检测网络鲁棒性提升方法，其特征在于，所述根据初始损失值得到初始扰动，包括：
5.根据权利要求1所述的基于...
【技术特征摘要】
1.基于扰动幅度自适应控制的目标检测网络鲁棒性提升方法，其特征在于，包括：
2.根据权利要求1所述的基于扰动幅度自适应控制的目标检测网络鲁棒性提升方法，其特征在于，所述对检测图像集中的正常样本使用投影梯度下降法生成对抗样本，包括：
3.根据权利要求1所述的基于扰动幅度自适应控制的目标检测网络鲁棒性提升方法，其特征在于，所述根据预测标签和识别标签获取初始损失值，包括：
...
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。