[发明专利]一种基于空间变换的对抗样本增强方法和模型

权利要求书

1.一种基于空间变换的对抗样本增强方法，其特征在于，包括以下步骤：

S1：在原图像x添加随机扰动r，生成初始对抗样本x′；

S2：将初始对抗样本x′输入到基于空间变换的增强模块ST，得到转换后的对抗样本x′_st，所述增强模块ST在深度神经网络的前向传播过程中对初始对抗样本及其特征图应用空间变换，并且能随着深度神经网络的反向传播进行更新；

S3：将转换后的对抗样本x′_st输入到分类器F中，根据分类器的损失函数L_F优化随机扰动r；

S4：重复S1至S3，直到原图像x添加优化后的随机扰动r得到的对抗样本同时具有有效性和健壮性，停止优化，得到增强的对抗样本；

所述增强模块ST的空间变换过程具体包括以下步骤：

S2.1：通过随机种子产生欧拉角的角参量，根据角参量生成用于图像的空间转换矩阵参数θ；

S2.2：根据空间转换矩阵参数θ创建变换函数T_θ；

S2.3：创建采样网格S，并利用变换函数T_θ对采样网络进行变换，所述采样网络为一组坐标点；

S2.4：利用变换后的采样网络对初始对抗样本x′进行采样，生成转换后的输出。

2.根据权利要求1所述的基于空间变换的对抗样本增强方法，其特征在于，所述增强模块ST对多通道的图像输入，对每个通道应用相同的变换。

3.根据权利要求1所述的基于空间变换的对抗样本增强方法，其特征在于，步骤S3中分类器的损失函数L_F为交叉熵函数。

4.根据权利要求1所述的基于空间变换的对抗样本增强方法，其特征在于，步骤S4所述的有效性为将原图像x添加优化后的随机扰动r得到的对抗样本输入至分类器F时，分类器F分类错误。

5.根据权利要求1所述的基于空间变换的对抗样本增强方法，其特征在于，步骤S4所述的健壮性为将原图像x添加优化后的随机扰动r得到的对抗样本进行十次随机空间变换，分别得到十个变换后的对抗样本x″_i,i＝1,2,3…,10，分类器F对这十个变换后的对抗样本进行分类，十次中累计输出次数最多的类别为最终分类结果，该类别与原始标签类不一致，分类网络F分类错误。

6.根据权利要求1所述的基于空间变换的对抗样本增强方法，其特征在于，根据分类器的损失函数L_F优化随机扰动r，通过快速梯度下降法FGSM或基本迭代法BIM或迷惑深度法DeepFool优化随机扰动r。

7.根据权利要求1至6任一项所述的基于空间变换的对抗样本增强方法，其特征在于，所述分类器F采用深度神经网络构成，其中的深度神经网络可为ResNet-18或VGG-16或Multi-Scale CNN。