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！

龙图腾网获悉南京理工大学申请的专利基于模型差异性的元梯度权重分配模型鲁棒性评估方法、设备及存储介质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：CN121281123B 。

龙图腾网通过国家知识产权局官网在2026-03-03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：202511865174.9，技术领域涉及：G06V40/16；该发明授权基于模型差异性的元梯度权重分配模型鲁棒性评估方法、设备及存储介质是由练智超;王雨洁设计研发完成，并于2025-12-11向国家知识产权局提交的专利申请。

本基于模型差异性的元梯度权重分配模型鲁棒性评估方法、设备及存储介质在说明书摘要公布了：本发明公开一种基于模型差异性的元梯度权重分配模型鲁棒性评估方法、设备及存储介质，属于人工智能安全技术领域，该方法包括以下步骤：步骤1、输入图像，对图像进行特征提取，并初始化扰动；步骤2、按块划分迭代训练循环，在每个块内执行“元训练+元测试”子循环；步骤3、累积扰动并更新得到最终的对抗样本。本发明通过量化差异性来分配模型权重，通过在模型库中随机选择每一次迭代块内的模型组合进行元梯度攻击来防止过拟合，将元梯度攻击和基于模型差异性的权重分配相结合以提高攻击的可迁移性，并引入空间动态阈值滤波器，解决跨模型梯度方向冲突导致的扰动抵消，为人脸模型的鲁棒性提供新的评估方法。

本发明授权基于模型差异性的元梯度权重分配模型鲁棒性评估方法、设备及存储介质在权利要求书中公布了：1.一种基于模型差异性的元梯度权重分配模型鲁棒性评估方法，其特征在于，包括以下步骤： 步骤1、输入图像，对图像进行特征提取，并初始化扰动； 所述步骤1具体包括以下步骤： 步骤1.1、加载攻击者图像和目标图像； 步骤1.2、使用多个白盒图像识别模型提取目标图像特征，作为攻击目标参考，用于计算后续对抗图像的相似度损失，其中相似度的计算公式表示为： ； 其中，表示攻击者图像，表示目标图像，表示特征提取函数； 步骤1.3、对攻击者图像随机加入噪声； 步骤2、按块划分迭代训练循环，在每个块内执行“元训练+元测试”子循环，步骤包括：对子模型组进行选择、计算目标特征差的特征损失、计算多个模型的损失对图像的梯度、计算梯度差异性得分、基于梯度差异性得分计算每个模型的动态权重并应用空间滤波对多个模型的梯度进行反向传播、对元训练阶段的对抗样本和全局动量进行更新以及在元测试阶段使用元测试模型计算损失得到梯度并更新全局动量； 所述步骤2包括以下步骤： 步骤2.1：按块划分迭代训练循环，对子模型组进行选择：对于每一组图片的训练总迭代次数，将按照迭代次数进行均匀划分，共划分为个训练块，其中每个训练块中都有相同的子迭代次数；在第个训练块中，从多个白盒图像识别模型组成的模型库中随机选择个模型，并将其划分为两组： 元训练模型组，其中，表示随机选择的用于参与元训练阶段的替代模型的集合，表示随机选择的第m个元训练模型； 元测试模型，其中，表示随机选择的用于参与元测试阶段的替代模型，表示替代模型库中的某一个模型，并且不在中； 并平均初始化训练权重向量，每个块内依次执行元训练阶段和元测试阶段； 步骤2.2：计算目标特征差的特征损失：对于每个训练模型，计算当前对抗图像与目标图像的相似度损失： ； 其中，为第个模型的损失函数，为模型权重，为目标图像，表示第个模型的特征提取函数，表示对抗图像，表示训练模型总个数； 步骤2.3：计算多个模型的损失对图像的梯度：根据上述相似度损失，得到多个模型对图像的集成梯度： ； 步骤2.4：计算梯度差异性得分：首先定义给定模型集合的梯度矩阵；对于模型之间的差异性，将其量化为参与集成的图像识别模型生成梯度之间的差异性，通过对梯度的方向差异和幅度差异进行加权组合计算，得到了梯度多样性得分： ； 其中，为平衡因子，为方向差异性得分，通过余弦相似度进行处理，式中A和B是两个向量，分别代表两个不同模型对于输入图像计算出的梯度；为幅度差异性得分，采用归一化范数衡量差异，范数表示向量中各元素绝对值之和；这两个差异性得分分别表示为： ； ； 式中，表示模型的梯度向量，表示模型的梯度向量，表示余弦相似度函数； 步骤2.5：基于梯度差异性得分计算每个模型的动态权重并应用空间滤波对多个模型的梯度进行反向传播：设权重向量满足，得到以下损失： ； 其中，为其中第个模型的损失，为超参数，表示所有模型权重构成的权重向量，为模型权重，表示所有模型两两之间的平均梯度差异性得分，表示每次迭代中参与计算和权重分配的训练模型总数，表示最终的加权总损失函数； 目标是最小化，因此对其进行梯度下降： ； 其中，为学习率，表示当前迭代次数，表示偏导符号，表示权重向量； 计算个训练模型的梯度矩阵，通过空间余弦相似度度量建立方向一致性矩阵： ； 其中，，表示空间位置索引，表示空间位置上第个模型的梯度与第个模型的梯度之间的方向一致性得分，R表示实数集，H表示图像高度，W表示图像宽度；该矩阵量化了不同模型在像素层面的梯度方向一致性； 通过统计特性自适应生成空间阈值图： ； 其中，为相似性矩阵的全局均值，为标准差；表示自适应生成的空间动态阈值图； 采用可微的sigmoid函数实现连续空间滤波： ； 其中，为陡度系数，表示在位置处所有模型对的平均相似度得分，表示在位置处滤波后的权重值；该函数生成连续权重图，表示空间动态权重图；当时，，结果保留高一致性梯度；当时，，可以抑制噪声干扰；当时，此时处在过渡区域，在0到1之间连续变化； 由于此时，元训练阶段得到的集成梯度为： ； 式中，表示集成梯度，表示元训练阶段的模型总数，为目标图像，表示对抗图像，为第个模型的损失函数，为模型权重； 将空间动态权重图作用于在元训练阶段得到的集成梯度，得到修正后的梯度： ； 步骤2.6：对元训练阶段的对抗样本和全局动量进行更新：根据所述的集成梯度，得到此时的对抗样本；若此时迭代方式采用与动量结合的更新迭代方法，那么此时，全局动量梯度更新为： ； 其中，为动量系数，表示归一化后的集成梯度，表示全局动量梯度； 步骤2.7：在元测试阶段使用元测试模型计算损失得到梯度并更新全局动量：在元测试阶段中，使用未参与元训练的模型和经过元训练阶段对抗样本来更新元测试梯度： ； 式中，表示元测试梯度，表示经过元训练阶段后得到的对抗样本，表示元测试模型的损失函数，表示元测试模型的特征提取函数； 此时，全局动量梯度更新为： ； 其中，表示归一化后的元测试梯度； 步骤3、累积扰动并更新得到最终的对抗样本。

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南京理工大学，其通讯地址为：210094 江苏省南京市玄武区孝陵卫街道孝陵卫街200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。