【技术实现步骤摘要】
本申请涉及计算机网络，特别是涉及一种基于注意力频域gan(generative adversarial networks，生成对抗网络)的对抗性仿真攻击方法、装置、计算机设备、存储介质和计算机程序产品。
技术介绍
1、图像是人类最常用的信息载体之一，图像处理已经在科技生产、日常生活的众多领域中发挥重要应用。同时，随着机器视觉处理技术日新月异的迭代进步，深度神经网络(deep neural network,dnn)已经在目标检测、协同显著性检测、视觉目标跟踪、图像分类等许多计算机视觉任务上都取得了卓越表现。
2、然而，深度神经网络很容易受到攻击影响，随着深度神经网络被广泛使用，其潜在的安全风险也逐渐显现出来。为了深入了解深度神经网络的脆弱性，提升其稳定性和鲁棒性提供重要线索，在传统技术中需要对深度神经网络对抗性攻击。
3、传统基于生成对抗网络(generative adversarial networks,gan)生成对抗样本的工作中，纯粹深度学习方法通常仅考虑图像的空间域特征，而针对频域特征添加噪声扰动的研究较少...
【技术保护点】
1.一种基于注意力频域GAN的对抗性仿真攻击方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述获取原始示例，并将所述原始示例解构得到原始低频分量和原始高频分量包括：
3.根据权利要求2所述的方法，其特征在于，所述采用数据变换方法离散小波变换将所述原始示例分解为高尺度上的原始低频分量和低尺度上的原始高频分量包括：
4.根据权利要求1所述的方法，其特征在于，所述基于所述具有关键扰动的低频分量和所述进行随机分布的高频分量进行频域到实域的转换，生成重构后的对抗示例包括：
5.根据权利要求4所述的方法...
【技术特征摘要】
1.一种基于注意力频域gan的对抗性仿真攻击方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述获取原始示例，并将所述原始示例解构得到原始低频分量和原始高频分量包括：
3.根据权利要求2所述的方法，其特征在于，所述采用数据变换方法离散小波变换将所述原始示例分解为高尺度上的原始低频分量和低尺度上的原始高频分量包括：
4.根据权利要求1所述的方法，其特征在于，所述基于所述具有关键扰动的低频分量和所述进行随机分布的高频分量进行频域到实域的转换，生成重构后的对抗示例包括：
5.根据权利要求4所述的方法，其特征在于，所述采用数据变换方法逆离散小波变换将所述具有关键扰动的低频分量和所述进行随机分布的高频分...
【专利技术属性】
技术研发人员：李肯立，徐方明，李克勤，段明星，蔡宇辉，周旭，杨圣洪，余思洋，吴帆，秦云川，
申请(专利权)人：湖南大学，
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。