[发明专利]一种训练样本生成方法及装置、设备、介质

权利要求书

1.一种训练样本生成方法，其特征在于，包括：

从同一图像数据集中，获取深度模型的多个第一训练样本；

根据所述第一训练样本的第i-1轮扰动，以及第i-1轮迭代训练时损失函数对应的梯度，计算所述第一训练样本的第i轮扰动，所述第i轮扰动用于在第i轮迭代训练时叠加于所述第一训练样本上，训练时每个所述第一训练样本中的一部分像素采用错误分类标签，另一部分像素采用正确分类标签；

根据分别为所述多个第一训练样本计算出的第i轮扰动，确定该同一图像数据集的通用扰动；

根据分别为多个不同图像数据集确定的通用扰动，确定统一的通用扰动；

根据所述多个不同图像数据集中的样本，以及所述统一的通用扰动，生成所述深度模型的第二训练样本。

2.如权利要求1所述的方法，其特征在于，在所述生成所述深度模型的第二训练样本后，所述方法还包括：

利用所述第二训练样本，以及所述多个不同图像数据集中的样本，训练所述深度模型。

3.如权利要求1所述的方法，其特征在于，所述根据分别为多个不同图像数据集确定的通用扰动，确定统一的通用扰动，具体包括：

获取分别为多个不同图像数据集确定的通用扰动；

对获取的各所述通用扰动进行归一化处理；

根据归一化处理的结果、指定的随机扰动和扰动幅度限制因子，确定统一的通用扰动。

4.如权利要求1所述的方法，其特征在于，所述计算所述第一训练样本的第i轮扰动，具体包括：

利用快速梯度算法，计算所述第一训练样本的第i轮扰动；

其中，所述计算过程中使用了以下至少一种因子：输入幅度控制因子、扰动幅度控制因子、针对所述一部分像素和所述另一部分像素的损失函数权重。

5.如权利要求4所述的方法，其特征在于，所述计算过程中还使用了指定的随机扰动及其相关控制因子。

6.如权利要求1所述的方法，其特征在于，所述确定该同一图像数据集的通用扰动，具体包括：

采用以下公式，确定该同一图像数据集的通用扰动：

其中，r_D表示该同一图像数据集的通用扰动，w_n表示所述多个第一训练样本中的至少部分样本中第n个样本的扰动权重，r_in表示该第n个样本的第i轮扰动。

7.如权利要求3所述的方法，其特征在于，所述确定统一的通用扰动，具体包括：

采用以下公式，确定统一的通用扰动：

其中，R表示所述统一的通用扰动，M表示所述多个不同图像数据集的数量，表示所述多个不同图像数据集中第j个图像数据集的通用扰动，γ表示所述扰动幅度限制因子，r_random表示指定的随机扰动，该随机扰动服从均值为0且标准差为1的正态分布。

8.如权利要求4所述的方法，其特征在于，所述利用快速梯度算法，计算所述第一训练样本的第i轮扰动，具体包括：

采用以下公式，计算所述第一训练样本的第i轮扰动：

L_adv＝w×L；

其中，r_i表示所述第i轮扰动，Clip表示作为所述输入幅度控制因子的处理函数，r_i-1表示所述第i-1轮扰动，α表示所述扰动幅度控制因子，sign表示正负符号判断函数，x表示所述深度模型的输入，表示上一轮L_adv相对于x的梯度，L表示所述损失函数，w表示所述损失函数权重。