-
公开(公告)号：CN114913583B
公开(公告)日：2024-08-09
申请号：CN202210534584.5
申请日：2022-05-17
Applicant: 中南大学
IPC: G06V40/16 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/045 , G06N3/0475 , G06N3/094 , G06N3/084
Abstract: 本发明涉及一种基于深度学习孪生网络的图像类型检测方法及系统，涉及目标检测技术领域，方法包括：获取待检测人脸图像；将待检测人脸图像输入至图像检测模型，以得到人脸图像的图像类型。其中，图像检测模型是依据第一损失函数、第二损失函数和训练集，对标定深度孪生网络进行训练得到的；训练集包括多个样本，每个样本包括初始人脸图像对和标签信息标定深度孪生网络包括第一特征提取模块、第二特征提取模块、对比损失模块和图像分类模块，且所述第一特征提取模块与所述第二特征提取模块之间权重共享。本发明结合孪生网络框架对图像对抗样本进行智能识别，有效提高面向图像深度识别模型在对抗样本攻击下的鲁棒性和可靠性。
-
公开(公告)号：CN116051924B
公开(公告)日：2023-09-12
申请号：CN202310003466.6
申请日：2023-01-03
Applicant: 中南大学
IPC: G06V10/774 , G06V10/762 , G06V10/30 , G06V10/764 , G06V10/82 , G06N3/094
Abstract: 本发明公开一种图像对抗样本的分治防御方法，包括以下步骤：S1对图像进行攻击处理生成图像样本；S2对图像样本进行多种图像防御预处理，生成去高频图像样本组；将图像样本输入任务识别模型，模型输出第一特征向量；将去高频图像样本组输入任务识别模型，模型输出第二特征向量组；S3计算第一特征向量和第二特征向量组的差值生成图像高频信息差值组；S4将图像高频信息差值组输入聚类算法，算法输出攻击聚类；S5构建攻击聚类‑预处理权重矩阵，进行矩阵数值填写，形成攻击聚类与预处理方法二部图；S6根据二部图，自适应为不同攻击聚类推荐最合适的预处理方法。本发明弥补现有对抗样本检测算法在对抗攻击分类上的不足，具有实用性。
-
公开(公告)号：CN114913583A
公开(公告)日：2022-08-16
申请号：CN202210534584.5
申请日：2022-05-17
Applicant: 中南大学
IPC: G06V40/16 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于深度学习孪生网络的图像类型检测方法及系统，涉及目标检测技术领域，方法包括：获取待检测人脸图像；将待检测人脸图像输入至图像检测模型，以得到人脸图像的图像类型。其中，图像检测模型是依据第一损失函数、第二损失函数和训练集，对标定深度孪生网络进行训练得到的；训练集包括多个样本，每个样本包括初始人脸图像对和标签信息标定深度孪生网络包括第一特征提取模块、第二特征提取模块、对比损失模块和图像分类模块，且所述第一特征提取模块与所述第二特征提取模块之间权重共享。本发明结合孪生网络框架对图像对抗样本进行智能识别，有效提高面向图像深度识别模型在对抗样本攻击下的鲁棒性和可靠性。
-
公开(公告)号：CN116051924A
公开(公告)日：2023-05-02
申请号：CN202310003466.6
申请日：2023-01-03
Applicant: 中南大学
IPC: G06V10/774 , G06V10/762 , G06V10/30 , G06V10/764 , G06V10/82 , G06N3/094
Abstract: 本发明公开一种图像对抗样本的分治防御方法，包括以下步骤：S1对图像进行攻击处理生成图像样本；S2对图像样本进行多种图像防御预处理，生成去高频图像样本组；将图像样本输入任务识别模型，模型输出第一特征向量；将去高频图像样本组输入任务识别模型，模型输出第二特征向量组；S3计算第一特征向量和第二特征向量组的差值生成图像高频信息差值组；S4将图像高频信息差值组输入聚类算法，算法输出攻击聚类；S5构建攻击聚类‑预处理权重矩阵，进行矩阵数值填写，形成攻击聚类与预处理方法二部图；S6根据二部图，自适应为不同攻击聚类推荐最合适的预处理方法。本发明弥补现有对抗样本检测算法在对抗攻击分类上的不足，具有实用性。
-
-
-
Search Results
4
records
(took 0.018 seconds)
