公开(公告)号：CN112784915A

公开(公告)日：2021-05-11

申请号：CN202110133058.3

申请日：2021-01-29

Applicant: 北京工业大学

Inventor： 刘波 ,  杜宾

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种优化决策边界增强深度神经网络鲁棒性的图像分类方法，通过计算网络的决策域模型来计算对抗样本，通过对抗训练来优化神经网络对应的决策边界的分布，从而提高网络鲁棒性。具体为：使用训练好的深度神经网络的参数计算并获得其对应的决策域模型，并使用该模型与训练样本判断网络对应的决策边界有哪些对扰动较为敏感，并使用训练集中的数据计算得到对扰动敏感的决策边界周围样本的对抗样本，将对抗样本混入到训练样本中，对网络进行对抗训练，通过优化网络参数从而使得决策边界向敏感方向的反方向移动，降低其对扰动的敏感性，获得鲁棒性高的深度神经网络，从而在提高网络在分类任务中抗干扰的能力。

公开(公告)号：CN112784915B

公开(公告)日：2024-03-22

申请号：CN202110133058.3

申请日：2021-01-29

Applicant: 北京工业大学

Inventor： 刘波 ,  杜宾

IPC: G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/094 ,  G06N3/084

Abstract: 本发明涉及一种优化决策边界增强深度神经网络鲁棒性的图像分类方法，通过计算网络的决策域模型来计算对抗样本，通过对抗训练来优化神经网络对应的决策边界的分布，从而提高网络鲁棒性。具体为：使用训练好的深度神经网络的参数计算并获得其对应的决策域模型，并使用该模型与训练样本判断网络对应的决策边界有哪些对扰动较为敏感，并使用训练集中的数据计算得到对扰动敏感的决策边界周围样本的对抗样本，将对抗样本混入到训练样本中，对网络进行对抗训练，通过优化网络参数从而使得决策边界向敏感方向的反方向移动，降低其对扰动的敏感性，获得鲁棒性高的深度神经网络，从而在提高网络在分类任务中抗干扰的能力。