[发明专利]基于动量的对人群计数模型的对抗样本生成方法及系统

权利要求书

1.一种基于动量的对人群计数模型的对抗样本生成方法，其特征在于，所述方法包括：

步骤1，通过插入张量生成对抗补丁，在原始图像上添加所述对抗补丁生成初始化的对抗样本；

步骤2，将所述对抗样本输入人群计数模型中，所述人群计数模型输出预测人群密度图；

步骤3，计算所述预测人群密度图与目标人群密度图的损失值；对损失值超过阈值时对应的所述对抗样本进行基于动量的对抗补丁优化后，执行所述步骤2，直至得到损失值不超过阈值时对应的所述对抗样本；

所述步骤3中对所述对抗样本进行基于动量的对抗补丁优化的公式为：

；

其中，；

；

和分别表示优化前后的对抗补丁，表示控制步长的学习率，表示变化步长，表示控制指数加权平均值，表示优化后的加入对抗补丁的对抗样本，表示原始图像，表示将变量剪切限制为在下限值与上限值之间的值，表示损失函数对求导，表示掩码，（）表示对抗损失函数。

2.根据权利要求1所述的方法，其特征在于，所述步骤1包括：

步骤101，在纯黑图片的设定区域中绘制掩码得到第一图像；

步骤102，用随机种子生成器生成噪声图；

步骤103，将所述第一图像与所述噪声图相乘得到第二图像；

步骤104，用待人群计数的原始图像乘以所述第一图像的掩码补集图得到第三图像；

步骤105，将所述第二图像和第三图像相加得到初始化的对抗样本；

其中，原始图片、纯黑图片和噪声图的大小和图片的通道数均相同。

3.根据权利要求2所述的方法，其特征在于，初始化的对抗样本的计算公式为：

；

其中，；

表示初始化的对抗样本，表示第二图像，表示第一图像，表示原始图像，表示噪声图，为与所述张量相关的插值函数，表示旋转，表示对对抗补丁做旋转操作后再做插值操作。

4.根据权利要求1所述的方法，其特征在于，所述步骤2包括：

步骤201，将一张或多张所述对抗样本的图片经过由一系列卷积神经网络构成的前端网络，输出中间特征；

步骤202，中间特征经过由一系列空洞卷积神经网络构成的后端网络，输出所述预测人群密度图。

5.根据权利要求1所述的方法，其特征在于，所述步骤3中计算所述预测人群密度图与目标人群密度图的损失值的方法为：

获取所述原始图像对应的真实人群密度图，对所述真实人群密度图的每个像素值乘以设定倍数，得到所述目标人群密度图；

将所述预测人群密度图与目标人群密度图输入到损失函数中，计算损失值；

所述损失函数为：；

（）表示对抗损失函数，表示初始化的对抗样本的预测人群密度图，表示初始化的对抗样本的目标人群密度图，β表示插入的张量，表示平滑损失，是平衡对抗损失和平滑损失的超参数。

6.根据权利要求5所述的方法，其特征在于，张量β的平滑损失为：

；

其中，和分别为原始图片、纯黑图片和噪声图的高度和宽度，h和w分别为张量的高度和宽度的索引变量。

7.一种基于动量的对人群计数模型的对抗样本生成系统，其特征在于，所述系统包括：对抗样本初始化模块、预测人群密度图输出模块和对抗样本确定模块；

所述抗样本初始化模块，用于通过插入张量生成对抗补丁，在原始图像上添加所述对抗补丁生成初始化的对抗样本；

所述预测人群密度图输出模块，用于将所述对抗样本输入人群计数模型中，所述人群计数模型输出预测人群密度图；

所述对抗样本确定模块，计算所述预测人群密度图与目标人群密度图的损失值；对损失值超过阈值时对应的所述对抗样本进行基于动量的对抗补丁优化后，输入所述预测人群密度图输出模块，直至得到损失值不超过阈值时对应的所述对抗样本；

所述对抗样本确定模块对所述对抗样本进行基于动量的对抗补丁优化的公式为：

；

其中，；

；

和分别表示优化前后的对抗补丁，表示控制步长的学习率，表示变化步长，表示控制指数加权平均值，表示优化后的加入对抗补丁的对抗样本，表示原始图像，表示将变量剪切限制为在下限值与上限值之间的值，表示损失函数对求导，表示掩码，（）表示对抗损失函数。