[发明专利]基于对抗干扰防护的敏感图像检测方法、装置和电子设备在审
申请号: | 202011156797.6 | 申请日: | 2020-10-26 |
公开(公告)号: | CN112488930A | 公开(公告)日: | 2021-03-12 |
发明(设计)人: | 姜建国;喻民;李博权;刘超;李敏;吕志强;黄伟庆 | 申请(专利权)人: | 中国科学院信息工程研究所 |
主分类号: | G06T5/00 | 分类号: | G06T5/00;G06T7/00;G06K9/62;G06N3/04 |
代理公司: | 北京路浩知识产权代理有限公司 11002 | 代理人: | 李文清 |
地址: | 100093 *** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 对抗 干扰 防护 敏感 图像 检测 方法 装置 电子设备 | ||
1.一种基于对抗干扰防护的敏感图像检测方法,其特征在于,包括:
将待检测图像输入去干扰模型,输出复原后图像;
其中,所述去干扰模型是基于样本干扰图像和对应的原始图像标签进行训练后得到的,所述样本干扰图像是在对应的原始图像进行预设干扰处理后得到的;
将所述复原后图像输入敏感检测模型,输出待检测图像是否属于敏感图像结果;
其中,所述敏感检测模型是基于样本无干扰图像和对应的敏感结果标签进行训练后得到的。
2.根据权利要求1所述的基于对抗干扰防护的敏感图像检测方法,其特征在于,所述预设干扰处理为加入高斯噪声。
3.根据权利要求1或2所述的基于对抗干扰防护的敏感图像检测方法,其特征在于,
所述去干扰模型训练时神经网络使用CNN结构,所述神经网络包括N层;
其中,所述神经网络的第1层依次包括一个卷积操作和修正线性单元激活函数,所述神经网络的第2至N-1层依次包括一个卷积操作、一个批量归一化操作和修正线性单元激活函数,所述神经网络的第N层包括一个卷积操作,N2且为整数。
4.根据权利要求3所述的基于对抗干扰防护的敏感图像检测方法,其特征在于,所述神经网络的第n层依次包括一个卷积操作、一个批量归一化操作和修正线性单元激活函数的输出Ln通过如下公式表示:
其中,n=2,3,…,N-1,ki为所述神经网络的第i层的卷积核,Li-1为所述神经网络的第i-1层的输出,i=2,3,…,n,BN(.)表示批量归一化函数,ReLU(.)表示修正线性单元激活函数。
5.根据权利要求4所述的基于对抗干扰防护的敏感图像检测方法,其特征在于,修正线性单元激活函数ReLU(x)=max(0,x)。
6.一种基于对抗干扰防护的敏感图像检测装置,其特征在于,包括:
复原单元,用于将待检测图像输入去干扰模型,输出复原后图像;其中,所述去干扰模型是基于样本干扰图像和对应的原始图像标签进行训练后得到的,所述样本干扰图像是在对应的原始图像进行预设干扰处理后得到的;
检测单元,用于将所述复原后图像输入敏感检测模型,输出待检测图像是否属于敏感图像结果;其中,所述敏感检测模型是基于样本无干扰图像和对应的敏感结果标签进行训练后得到的。
7.根据权利要求6所述的基于对抗干扰防护的敏感图像检测装置,其特征在于,所述预设干扰处理为加入高斯噪声。
8.根据权利要求6或7所述的基于对抗干扰防护的敏感图像检测装置,其特征在于,
所述去干扰模型训练时神经网络使用CNN结构,所述神经网络包括N层;
其中,所述神经网络的第1层依次包括一个卷积操作和修正线性单元激活函数,所述神经网络的第2至N-1层依次包括一个卷积操作、一个批量归一化操作和修正线性单元激活函数,所述神经网络的第N层包括一个卷积操作,N2且为整数。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5中任一项所述的基于对抗干扰防护的敏感图像检测方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至5中任一项所述的基于对抗干扰防护的敏感图像检测方法的步骤。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国科学院信息工程研究所,未经中国科学院信息工程研究所许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202011156797.6/1.html,转载请声明来源钻瓜专利网。