一种基于多变换和语义特征融合的对抗样本恢复方法技术

本发明专利技术公开了一种基于多变换和语义特征融合的对抗样本恢复方法，通过对输入图片进行离散小波变换，并在小波域进行降噪处理，削弱对抗样本的对抗性。其次，通过多变换模块对图像进行多种变换，再使用ViT模块提取变换后图像的特征并通过混合专家模块动态选择最优变换组合特征。第三，通过语义提取模块得到图像的整体语义信息特征，有助于提高模型对图片高级语义信息的利用，增强了模型对对抗样本的恢复能力。本发明专利技术通过多变换模块和语义提取模块提取图像多种特征的同时结合混合专家模块实现局部与全局特征的鲁棒融合，能够实现较高的对抗样本恢复准确率以及较好的泛化性能，为后期计算机视觉任务处理模型提供安全性保证。

【技术实现步骤摘要】

本专利技术涉及卷积神经网络的图像识别技术，具体涉及一种基于多变换和语义特征融合的对抗样本恢复方法。

技术介绍

1、随着深度学习的迅速发展，深度神经网络(deep neural networks,dnns)实现了跨越式发展。基于多层非线性变换架构，dnns在特征抽象和模式识别方面展现出独特优势，尤其在计算机视觉领域实现了范式突破。通过端到端的自监督或监督学习机制，模型能够从百万级标注数据中逐层提取层次化表征，驱动图像分类、目标定位、语义分割等任务性能逼近人类认知极限。这种数据驱动的建模方式不仅突破了传统算法的手工特征设计瓶颈，更在医疗影像分析、工业质检、遥感解译等复杂场景中催生了智能化解决方案。

2、然而，dnns的高度非线性特性也暴露出其决策逻辑的脆弱性。研究者通过构建对抗样本揭示了模型在鲁棒性层面的致命缺陷：对输入空间施加人类难以察觉的梯度扰动即可使高精度模型产生违反直觉的预测错误。此类现象在自动驾驶环境感知、人脸识别安防系统等容错率极低的场景中具有破坏性后果。对抗样本的出现对深度学习的应用带来了新的挑战，这种情况对于安全敏感的应用尤为重要。本文档来自技高网...

【技术保护点】

1.一种基于多变换和语义特征融合的对抗样本恢复方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于多变换和语义特征融合的对抗样本恢复方法，其特征在于，所述ViT模块由嵌入层、Transformer编码器和MLP Head三部分构成；其中Transformer编码器通过重复堆叠L次Encoder Block来构成；每个Encoder Block中，输入数据依次通过层归一化、多头注意力、层归一化和多层感知器，第一个层归一化的输入数据与多头注意力的输出进行残差连接后输入第二个层归一化，第二个层归一化的输入数据与多层感知器的输出进行残差连接后，作为该Encoder Bloc...

【技术特征摘要】

1.一种基于多变换和语义特征融合的对抗样本恢复方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于多变换和语义特征融合的对抗样本恢复方法，其特征在于，所述vit模块由嵌入层、transformer编码器和mlp head三部分构成；其中transformer编码器通过重复堆叠l次encoder block来构成；每个encoder block中，输入数据依次通过层归一化、多头注意力、层归一化和多层感知器，第一个层归一化的...

【专利技术属性】
技术研发人员：王帅，史江耀，梁文豪，刘功平，
申请(专利权)人：电子科技大学长三角研究院衢州，
类型：发明
国别省市：