针对目标检测模型的对抗训练方法技术

本发明专利技术公开了一种针对目标检测模型的对抗训练方法，首先收集干净样本构成训练样本集将目标检测模型初步训练到收敛，然后依次生成置信度任务对抗样本集、分类任务对抗样本集和定位任务对抗样本集，并分别采用各个对抗样本集对目标检测模型进行对抗训练，在对抗训练时计算损失函数对目标检测模型中各个参数的梯度敏感度，将高梯度敏感度的参数进行更新，其他参数则不更新，循环以上过程进行对抗训练直到达到对抗训练结束条件。本发明专利技术通过拆分对抗训练任务并生成不同对抗样本进行参数更新，从而减轻不同任务之间的梯度冲突，在不增加网络容量的情况下，平衡目标检测模型在对抗样本上的鲁棒性和在干净样本上的准确率。

【技术实现步骤摘要】

本专利技术属于计算机视觉，更为具体地讲，涉及一种针对目标检测模型的对抗训练方法。

技术介绍

1、深度学习模型已经广泛应用于计算机视觉领域，例如分类任务和目标检测任务。然而研究表明基于深度神经网络的分类任务容易受到对抗性攻击的干扰。目标检测任务同样包含分类任务，因此目标检测任务同样会受到对抗攻击的干扰。对抗攻击方法的中心思想是在原始图像的基础上添加扰动得到对抗样本，这种扰动是非常细微的，因此对抗样本和原始图像通常在人眼中非常相似甚至没有差异，却会使得目标检测模型无法正常工作。自对抗样本的概念被提出以来，不断有新的生成方法。针对目标检测模型的攻击危害性日渐显露，例如物理对抗性补丁攻击可以从不同的视角躲避人体探测器，红外对抗服装可以在不同角度欺骗红外行人探测器等。因此其防御方法的研究变的越来越紧迫，对抗训练是目前最有效的主流防御方法。

2、目前针对分类任务的对抗训练方法研究较多，但目标检测任务具有区别于分类任务的特性，直接套用分类任务的对抗训练方法，无法适配目标检测模型的特点，训练得到的模型鲁棒性不佳。具体来说分类模型的攻击目标只有一个，那就是诱导模本文档来自技高网...

【技术保护点】

1.一种针对目标检测模型的对抗训练方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的对抗训练方法，其特征在于，所述步骤S3中置信度任务的损失函数LOBJ(x,b；θ)的计算公式如下：

3.根据权利要求1所述的对抗训练方法，其特征在于，所述步骤S5中分类任务的损失函数LCLS(x,y；θ)的计算公式为：

4.根据权利要求1所述的对抗训练方法，其特征在于，所述步骤S7中定位任务的损失函数LLOC(x,b；θ)的计算公式为：

【技术特征摘要】

1.一种针对目标检测模型的对抗训练方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的对抗训练方法，其特征在于，所述步骤s3中置信度任务的损失函数lobj(x,b；θ)的计算公式如下：

3.根据权利要求1...

【专利技术属性】
技术研发人员：高联丽，敬姝蕾，尹鹏，王轩瀚，许辉，宋井宽，
申请(专利权)人：电子科技大学深圳高等研究院，
类型：发明
国别省市：