【技术实现步骤摘要】
本专利技术涉及计算机视觉和机器学习，具体涉及深度学习模型隐蔽攻击方法及系统。
技术介绍
1、随着深度学习技术的迅速发展，深度神经网络已广泛应用于图像识别、自然语言处理、自动驾驶等多个领域。然而，这些模型面临着安全性挑战，特别是对抗样本攻击——通过对输入数据进行精细修改使模型做出错误决策的攻击手段，已经成为检验模型鲁棒性的重要手段。
2、快速梯度符号法(fgsm)：
3、出处："goodfellow,ian j.,jonathon shlens,and christian szegedy."explaining and harnessing adversarial examples."arxiv preprint arxiv:1412.6572(2014).
4、主要内容:通过利用输入数据的梯度信息生成对抗样本。具体而言，通过对梯度符号的简单操作，对原始图像进行一次性更新，以产生对抗样本。例如公布号为cn117332843a的现有专利技术专利申请文献《一种对抗样本生成与测试方法、系统、设备及存储介质》，...
【技术保护点】
1.深度学习模型隐蔽攻击方法，其特征在于，所述方法包括：
2.根据权利要求1所述的深度学习模型隐蔽攻击方法，其特征在于，所述S1中，在所述梯度加权类激活映射Grad-CAM方法中，使用所述目标深度学习模型的最后一层卷积层，处理得到目标类别相关梯度信息，以得到梯度权重，利用所述梯度权重对所述卷积层输出的特征图进行加权操作，生成所述模型关注焦点热力图。
3.根据权利要求1所述的深度学习模型隐蔽攻击方法，其特征在于，所述S1包括：
4.根据权利要求3所述的深度学习模型隐蔽攻击方法，其特征在于，所述S11中，利用下述逻辑，处理得到梯度加权类...
【技术特征摘要】
1.深度学习模型隐蔽攻击方法，其特征在于，所述方法包括：
2.根据权利要求1所述的深度学习模型隐蔽攻击方法，其特征在于，所述s1中，在所述梯度加权类激活映射grad-cam方法中，使用所述目标深度学习模型的最后一层卷积层，处理得到目标类别相关梯度信息，以得到梯度权重，利用所述梯度权重对所述卷积层输出的特征图进行加权操作，生成所述模型关注焦点热力图。
3.根据权利要求1所述的深度学习模型隐蔽攻击方法，其特征在于，所述s1包括：
4.根据权利要求3所述的深度学习模型隐蔽攻击方法，其特征在于，所述s11中，利用下述逻辑，处理得到梯度加权类激活映射sgrad-cam：
...【专利技术属性】
技术研发人员：王婕，方典龙，汤立春，伍永，许劭晟，
申请(专利权)人：安徽师范大学，
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。