[发明专利]一种深度神经网络图像分类模型鲁棒性提升方法

权利要求书

1.一种深度神经网络图像分类模型鲁棒性提升方法，其特征在于包括以下步骤：

步骤一：对n个深度神经网络图像分类模型，基于相同的图像分类数据集，数据集包括训练样本集D和测试样本集C，使用训练样本集D对模型进行训练，得到n个图像分类模型F₁,F₂,...,F_n，n是图像分类模型个数，是大于等于2的整数，F_n代表第n个图像分类模型；

步骤二：从测试样本集C中随机选取m个样本构成输入样本集Z；

步骤三：对于输入样本集Z中的每一个样本图像x，使用步骤一训练好的图像分类模型对样本图像x进行分类，n个图像分类模型将样本图像x分类为不同的类别或分类为同一类别但与x的标签不一致表示n个图像分类模型存在差异行为，x被分类为同一类别且与x的标签一致则表示n个图像分类模型未存在差异行为；

步骤四：对于已经使n个图像分类模型产生差异行为的样本图像x保存在样本集S中；

步骤五：对于未使n个图像分类模型产生差异行为的样本图像x，建立联合优化问题更新样本图像x，产生新的样本图像a，具体地，优化问题有两个子目标：目标一obj1为最大化目标图像分类模型与其它图像分类模型之间的差异行为，目标二obj2为最大化n个图像分类模型的神经元覆盖率，联合优化问题总目标obj表示为

obj＝obj1+μobj2

其中联合优化问题总目标obj表示为目标一和添加了平衡参数的目标二之和，μ是两个子目标之间的平衡参数，obj1表示目标图像分类模型与其它图像分类模型分类样本图像x的类别差异的最大化，F_i(x)[c]表示图像分类模型F_i分类样本图像x为类别c的概率，F_i为第i个图像分类模型，F_j是目标图像分类模型，λ是平衡参数，用来平衡图像分类模型F_i和目标图像分类模型F_j的输出，obj2表示最大化n个图像分类模型在输入样本图像x时的神经元覆盖率之和，f_i(x)表示输入样本图像x时图像分类模型F_i的神经元覆盖率；

步骤六：设置约束条件1为像素修改范围为0-255，约束条件2为允许增加或减少上升迭代时梯度平均值个像素，使图像更亮或更暗，约束条件3为允许在图像的任意位置放置一个小矩形，模拟镜头有污垢的场景；

步骤七：设置神经元激活阈值t为该神经元所在层所有神经元输出的均值，计算n个图像分类模型在样本图像x下的神经元覆盖表，具体地，神经元输出超过t的记为已激活，反之则记为未激活；

步骤八：采用梯度上升方法对联合优化问题求解，具体为，设置梯度迭代次数，针对每一个图像分类模型，从步骤七构建的神经元覆盖表中寻找未被激活的一个神经元记为激活状态，初始梯度为联合优化问题对样本图像x的导数，满足约束条件的前提下迭代地增加梯度更新样本图像x，更新后的样本图像x记为样本图像a；

步骤九：重复步骤八直至样本图像a被n个模型分类为不同的类别或分类为同一类别但与a的真实标签不一致，则将它保存在样本集S中，或达到梯度迭代次数时停止；

步骤十：对样本集S进行分类，被图像分类模型F₁分类错误的样本标记上正确的类别标签保存在S1中，被图像分类模型F₂分类错误的样本标记上正确的类别标签保存在S2中，...，被图像分类模型F_n分类错误的样本标记上正确的类别标签保存至Sn中；

步骤十一：重新训练n个图像分类模型，图像分类模型F_i使用的训练样本集为训练样本集D与针对其模型生成的样本集Si的并集，将样本集Si加入训练样本集进行训练能够有效激活图像分类模型F_i更多的神经元，提升模型鲁棒性。