【技术实现步骤摘要】
本申请涉及人群计数，尤其涉及一种基于密度贡献感知的对抗补丁生成方法、系统及介质。
技术介绍
1、人群计数是计算机视觉中的一项重要任务，旨在自动估计图像或视频中拥挤的人数。在关注深度神经网络的任务性能同时，其鲁棒性也是学者研究的重点。由于深度神经网络的固有特性，深度神经人群计数模型暴露了其在数字或物理环境中受到对抗性攻击的脆弱性。训练良好的人群计数模型很容易受到精心制作的对抗扰动的影响，以至于在进行特定任务时无法给出正确预测信息。进而，有研究发现通过对这一类特殊噪声进行预先学习，能够有效地防御类似扰动特征的攻击，提升任务网络模型的鲁棒性。因此，建立对抗扰动生成机制对提升深度神经网络鲁棒性具有重要意义。现有的对抗性补丁生成框架侧重于整个密度图区域，它们将密度图区域中的所有特征作为对抗性特征生成的来源。然而，非密度区域的特性不会导致基础人群计数模型的预测产生误导，利用这一类特征信息引导对抗特征生成会严重限制对抗性特征在欺骗人群估计模型中的性能，降低对抗特征可转移性。
技术实现思路
1、为解决上述...
【技术保护点】
1.一种基于密度贡献感知的对抗补丁生成方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于密度贡献感知的对抗补丁生成方法，其特征在于，所述根据所述待计数图像对应的标签和所述密度图得到密度相关差异这一步骤，其具体包括：
3.根据权利要求1所述的一种基于密度贡献感知的对抗补丁生成方法，其特征在于，所述根据所述预测信息得到密度相关重要性这一步骤，其具体为：
4.根据权利要求1所述的一种基于密度贡献感知的对抗补丁生成方法，其特征在于，所述密度相关贡献通过下式确定：
5.根据权利要求1所述的一种基于密度贡献感知的对抗...
【技术特征摘要】
1.一种基于密度贡献感知的对抗补丁生成方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于密度贡献感知的对抗补丁生成方法，其特征在于，所述根据所述待计数图像对应的标签和所述密度图得到密度相关差异这一步骤，其具体包括：
3.根据权利要求1所述的一种基于密度贡献感知的对抗补丁生成方法，其特征在于，所述根据所述预测信息得到密度相关重要性这一步骤，其具体为：
4.根据权利要求1所述的一种基于密度贡献感知的对抗补丁生成方法，其特征在于，所述密度相关贡献通过下式确定：
5.根据权利要求1所述的一种基于密度贡献感知的对抗补丁生成方法，其特征在于，所述根据所述密度相关贡献和mse损失值得到总体损失函数这一步骤，其具体为：
6.根据权利要求1所述的一种基于密度贡献感知的对抗补丁生成方法，其特征在于，所述总体损失函数通过下式确定：
7...
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。