[发明专利]基于变分球面投影的对抗鲁棒性图像特征提取方法

权利要求书

1.基于变分球面投影的对抗鲁棒性图像特征提取方法，其特征在于，包括以下步骤：

1)模型初始化

定义深度特征提取器的网络结构，对深度特征提取器和线性分类器进行权值初始化；

2)数据集预处理

对图像数据进行归一化和数据增广；

3)变分球面投影前向传播

先对图像进行高斯分布参数编码得到对应的高斯分布参数特征；然后高斯分布参数特征的对均值参数进行缩放至相同L₂范数；接着在标准正态分布上进行采样得到采样特征并进行L₂规范化使采样特征投影至单位球面上，得到单位球面随机采样特征；最后对单位球面随机采样特征根据上面得到的高斯分布参数特征进行重参数化得到球面投影特征；

4)损失函数计算

计算变分正则化的损失函数值；将球面投影特征传入无偏置线性分类器，将特征映射至标签空间；利用标签和线性分类器计算交叉熵损失函数值，与变分正则损失加权求和得到损失函数值；

5)利用对抗训练进行正则化

利用步骤4)得到的损失函数进行反向传播得到损失值关于输入图像的梯度，对输入图像进行梯度上升，并重新进行变分球面投影前向传播和损失函数计算得到新的损失值；然后将新的损失值和上一步的损失值进行加权平均，得到对抗训练的正则化损失值；

6)反向传播计算梯度，更新权值；

利用对抗训练正则化得到的损失值，对深度特征提取器和无偏置线性分类器进行反向传播得到对应模型中权值的梯度，再通过梯度下降更新模型的权值；

7)重复步骤2)至步骤6)过程直至收敛，得到深度特征提取模型；应用时以参数编码过程的均值参数为特征，即可得到高可区分性特征。

2.根据权利要求1所述的基于变分球面投影的对抗鲁棒性图像特征提取方法，其特征在于：在步骤1)中，定义深度特征提取器的模型结构f(·|W_f,b_f),和无偏置线性分类器g(·|W_g)，其中深度特征提取器有L层对应L个权值矩阵和偏置项其中W_f^l表示第l层的权值矩阵，W_f^L表示最后一层的权值矩阵，表示第l层偏置项，表示最后一层偏置项；对深度特征提取器的每一层权值和无偏置线性分类器权值W_g进行初始化，如公式(1)所示：

其中，其中W_{f or g}表示W_f或者W_g，ω是维度与每层的权重大小一致的矩阵，对于第i行j列元素ω_ij，有ω_ij采样自标准正态分布,D_in为每层网络的输入维度，第l层偏置项服从均值为0标准差为0.0001的正态分布。

3.根据权利要求1所述的基于变分球面投影的对抗鲁棒性图像特征提取方法，其特征在于：在步骤2)中，所述数据集预处理包括以下步骤：

2.1)对图像RBG三个通道进行规范化至[-1,1]；

2.2)对图像进行数据增广，随机左右翻转；然后对图像进行放大，再对图像进行随机位置、特定大小的裁剪，得到模型的训练输入图像。