【技术实现步骤摘要】
本申请属于机器学习，尤其涉及一种数据分类方法、装置、计算机可读存储介质及终端设备。
技术介绍
1、随着机器学习与人工智能技术的发展，对抗攻击已经成为一个日益严峻的安全问题。对抗攻击通过精心设计的人类不易察觉的微小扰动，能够欺骗深度神经网络，导致其在测试或应用中做出错误的分类。为了应对对抗攻击，现有技术中通常采用对抗训练、防御性蒸馏、梯度掩码、输入变换等策略提升深度神经网络的鲁棒性。然而，现有的各个策略大多仅能对特定类型的对抗性攻击有效，却难以应对未知的对抗攻击，导致在进行实际的数据分类应用时的对抗鲁棒性较低。
技术实现思路
1、有鉴于此，本申请实施例提供了一种数据分类方法、装置、计算机可读存储介质及终端设备，以解决现有技术中的数据分类方法的对抗鲁棒性较低的问题。
2、本申请实施例的第一方面提供了一种数据分类方法，可以包括：
3、获取目标数据；
4、利用特征提取网络对所述目标数据进行特征提取，得到目标数据特征；
5、利用全连接层对所述目标数据特...
【技术保护点】
1.一种数据分类方法，其特征在于，包括：
2.根据权利要求1所述的数据分类方法，其特征在于，所述利用全连接层对所述目标数据特征的分布进行分布估计，得到目标特征分布，包括：
3.根据权利要求1所述的数据分类方法，其特征在于，所述基于所述目标重采样特征和多中心分类机制对所述目标数据进行数据分类，得到目标数据类别，包括：
4.根据权利要求1所述的数据分类方法，其特征在于，所述特征提取的过程、所述分布估计的过程、所述特征重采样的过程以及所述数据分类的过程为多中心随机深度神经网络的推理过程，所述多中心随机深度神经网络的学习过程包括：
<...【技术特征摘要】
1.一种数据分类方法，其特征在于，包括：
2.根据权利要求1所述的数据分类方法，其特征在于，所述利用全连接层对所述目标数据特征的分布进行分布估计，得到目标特征分布，包括：
3.根据权利要求1所述的数据分类方法，其特征在于，所述基于所述目标重采样特征和多中心分类机制对所述目标数据进行数据分类，得到目标数据类别，包括：
4.根据权利要求1所述的数据分类方法，其特征在于，所述特征提取的过程、所述分布估计的过程、所述特征重采样的过程以及所述数据分类的过程为多中心随机深度神经网络的推理过程，所述多中心随机深度神经网络的学习过程包括：
5.根据权利要求4所述的数据分类方法，其特征在于，初始的所述深度神经网络包括初始特征提取网络、初始全连接层以及各个类别的初始中心；
6.根据权利要求5所...
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。