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！

龙图腾网获悉华中科技大学申请的专利一种基于鲁棒特征的物理世界对抗样本的生成方法和系统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：CN119599089B 。

龙图腾网通过国家知识产权局官网在2025-12-12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：202411745293.6，技术领域涉及：G06N3/094；该发明授权一种基于鲁棒特征的物理世界对抗样本的生成方法和系统是由胡胜山;王乙臣;李明慧;周子淇;万伟设计研发完成，并于2024-12-02向国家知识产权局提交的专利申请。

本一种基于鲁棒特征的物理世界对抗样本的生成方法和系统在说明书摘要公布了：本发明公开了一种基于鲁棒特征的物理世界对抗样本生成方法，包括：获取预训练后的自编码器、三个经过预训练后的图像分类任务模型、以及一个用于图像分类任务的数据集，设置攻击参数，并使用自编码器以及三个图像分类任务模型对用于图像分类任务的数据集中每个类别标签编号为t的图像进行迭代优化处理，以获取类别标签编号为t的图像的鲁棒特征编码Ftar，从用于图像分类任务的数据集中随机选取一张类别标签编号为c的图像xc，初始化权重矩阵m和α，并利用所选取的类别标签编号为v的图像和类别标签编号为t的图像的鲁棒特征编码Ftar分别对权重矩阵m和α进行优化，以分别得到优化后的权重矩阵m′和α′，根据优化后的权重矩阵m′和α′获取最终的对抗样本。

本发明授权一种基于鲁棒特征的物理世界对抗样本的生成方法和系统在权利要求书中公布了：1.一种基于鲁棒特征的物理世界对抗样本生成方法，其特征在于，包括以下步骤： 1获取预训练后的自编码器、三个经过预训练后的图像分类任务模型、以及一个用于图像分类任务的数据集，其中自编码器包括一个编码器E和一个解码器D； 2设置攻击参数，并使用步骤1得到的自编码器以及三个图像分类任务模型对用于图像分类任务的数据集中每个类别标签编号为t的图像进行迭代优化处理，以获取类别标签编号为t的图像的鲁棒特征编码Ftar，其中t∈[1，用于图像分类任务的数据集中图像的类别总数]； 3从步骤1获取的用于图像分类任务的数据集中随机选取一张类别标签编号为c的图像xc，c由攻击者自由选择，其取值范围为0到999，且与步骤2中所设置的t不相同，初始化权重矩阵m和α，并利用所选取的类别标签编号为c的图像和步骤2得到的类别标签编号为t的图像的鲁棒特征编码Ftar分别对权重矩阵m和α进行优化，以分别得到优化后的权重矩阵m′和α′，其中m是维度与所选取的xc相同的矩阵，权重矩阵m中每个元素的值都在[0,1]区间内随机初始化，权重矩阵α是维度与步骤2得到的类别标签编号为t的图像鲁棒特征编码Ftar相同的矩阵，权重矩阵α中每个元素的值都在[0,1]区间内随机初始化；步骤3包括以下子步骤： 3-1从步骤1获取的数据集中随机选择一张类别标签编号为c的图像xc，初始化权重矩阵m和α； 3-2初始化用于优化融合的参数，并设置计数器cnt2＝0； 3-3根据当前的权重矩阵m和α、以及步骤3-1选取的类别标签编号为c的图像xc，获取中间结果x′；步骤3-3的计算公式为： 其中表示矩阵的逐元素乘法； 3-4根据步骤3-3得到的中间结果x′获取对抗损失Ladv与感知损失Lcog； 3-5根据步骤3-4得到的对抗性损失和感知损失，分别获取权重矩阵m的梯度g1、以及权重矩阵α的梯度g2； 3-6根据步骤3-5中的得到的权重矩阵m的梯度g1和权重矩阵α的梯度g2、以及步骤3-1初始化后用于优化融合的参数，更新权重矩阵m和α； 4根据步骤3得到的优化后的权重矩阵m′和α′获取最终的对抗样本xadv。

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华中科技大学，其通讯地址为：430074 湖北省武汉市洪山区珞喻路1037号华中科技大学；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。