Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 积分商城 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 河北师范大学王方伟获国家专利权

河北师范大学王方伟获国家专利权

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

龙图腾网获悉河北师范大学申请的专利一种基于生成式对抗网络的图片对抗样本生成方法获国家发明授权专利权,本发明授权专利权由国家知识产权局授予,授权公告号为:CN114970809B

龙图腾网通过国家知识产权局官网在2025-09-30发布的发明授权授权公告中获悉:该发明授权的专利申请号/专利号为:202210430129.0,技术领域涉及:G06N3/0475;该发明授权一种基于生成式对抗网络的图片对抗样本生成方法是由王方伟;马泽柔;李青茹;王长广;黄文艳;李军设计研发完成,并于2022-04-22向国家知识产权局提交的专利申请。

一种基于生成式对抗网络的图片对抗样本生成方法在说明书摘要公布了:本发明涉及一种基于生成式对抗网络的图片对抗样本生成方法,其采用以下步骤:对收集到的图片进行预处理;随机初始化生成器G和鉴别器D1,D2;将处理后的图片x输入到生成式对抗网络GAN的生成器G中,得到初始的扰动向量ε=Gx;θg;得到关于图片x的对抗样本;训练鉴别器D1,D2和生成器G;保存生成器G;经步骤1预处理后的图片输入到生成器G,得到该图片的扰动向量,经步骤4后生成该图片的对抗样本;本发明可以针对任何黑盒模型高效产生对抗样本;采用双鉴别器的结构,训练好的鉴别器D1可以成功作为目标模型T的代理模型,从一定程度上减小了对目标模型T的查询次数;用鉴别器D2对生成的扰动进行约束,保证了对抗样本的视觉质量。

本发明授权一种基于生成式对抗网络的图片对抗样本生成方法在权利要求书中公布了:1.一种基于生成式对抗网络的图片对抗样本生成方法,其特征在于采用以下步骤: 步骤1、对收集到的图片进行预处理; 步骤2、随机初始化生成器G和鉴别器D1,D2; 步骤3、将经步骤1处理过后的图片x输入到生成式对抗网络GAN的生成器G中,得到初始的扰动向量ε=Gx;θg,其中θg表示生成器G的参数; 步骤4、得到关于图片x的对抗样本; 步骤5、训练鉴别器D1,D2;具体采用如下步骤: 5.1.将对抗样本xadv和原始样本x一同输入到目标模型T,得到目标模型T对于对抗样本xadv的查询结果T0xadv以及对于原始样本x的查询结果T0x; 5.2.将T0xadv和T0x转换成相对应的类别标签Txadv和Tx,即将查询结果T0xadv和T0x先经过softmax函数,得到各个类别的概率值,然后分别选取概率值最大的类别标签作为Txadv和Tx; 5.3.将x,Tx、xadv,Txadv作为训练数据输入鉴别器D1,计算损失函数以更新鉴别器D1; 5.4.将对抗样本xadv和原始样本x作为训练数据输入鉴别器D2,计算损失函数以更新鉴别器D2; 步骤6、训练生成器G;具体操作采用如下步骤: 6.1.将鉴别器D1关于对抗样本xadv的输出结果D1xadv;θd1返回给生成器G,对于无目标攻击,定义生成器G关于鉴别器D1的损失函数为: 其中,y表示真实类别的标签; 6.2.为了使得生成的对抗样本能够接近真实的数据分布,设置鉴别器D2来对样本的真假进行判别;将鉴别器D2对于对抗样本xadv的输出结果D2xadv;θd2返回给生成器G,生成器G关于鉴别器D2的损失函数公式定义为: 其中,xadv表示对抗样本,即xadv=Clipx,∈clipGx;θg,α1,α2+x,x,其中:clip·和Clipx,∈·为裁剪函数,以保证生成的对抗样本xadv在原始样本x的∈邻域内,α1,α2为裁剪边界; 6.3.对于无目标攻击,攻击目标为最大化目标模型的预测类别和真实类别的距离;对于目标攻击,攻击目标为最小化目标模型的预测类别与目标类别之间的距离,攻击的目标损失函数为: 其中,表示目标攻击中鉴别器D1对目标类别的预测概率或者无目标攻击中对真实类别的预测概率,表示鉴别器D1对其他类别预测概率中的最大值; 6.4.训练生成器G的目标函数为: 其中,γ1,γ2,γ3为三项损失的权重系数,控制着三项损失的相对重要性;使得生成的对抗样本逐步达到欺骗鉴别器D1的目的,进而迁移至目标模型;使得生成的对抗样本能够更加接近真实的数据分布,产生更好的视觉效果;Latt为攻击损失,对其进行优化以产生更好的攻击效果; 6.5.更新生成器G的操作采用如下公式: 其中,表示第i次迭代后得到的生成器G的参数,表示第i+1次迭代后得到的生成器G的参数,η为生成器G的学习率,为损失函数L关于参数的梯度; 步骤7、若步骤5与步骤6所述生成器G和鉴别器D1,D2的损失函数均收敛,则停止训练执行步骤8;否则,重复执行步骤3‑6; 步骤8、保存生成器G; 步骤9、经步骤1预处理后的图片输入到生成器G,得到该图片的扰动向量,经步骤4后生成该图片的对抗样本。

如需购买、转让、实施、许可或投资类似专利技术,可联系本专利的申请人或专利权人河北师范大学,其通讯地址为:050024 河北省石家庄市南二环东路20号;或者联系龙图腾网官方客服,联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。