专利交易市场

本发明公开了一种基于联合损失函数的图像对抗样本生成方法及系统。所述方法包括获取图像样本及随机噪声样本；将图像样本输入生成网络得到对抗样本并构建第一损失函数；将图像样本及对抗样本输入判别网络构建第二损失函数；将对抗样本输入待攻击模型以基于检测框构建第三损失函数；将图像样本输入待攻击模型获得注意力权重，通过图像金字塔获取对抗样本及随机噪声样本在不同尺度下特征张量，基于它们构建第四损失函数；基于前述各损失函数构建联合损失函数对生成网络及判别网络的权重更新；重复上述步骤直至获得最优生成网络，将图像样本输入其中以得到最终对抗样本。本发明不用获取待攻击模型结构，具有对抗样本生成周期短、攻击迁移性强的优势。

本发明公开了一种对抗性点云生成方法、存储介质和终端，方法包括以下步骤：破坏输入点云的拓扑结构，生成对抗点云。本发明采用的是通过改变破坏输入点云的拓扑结构，进而在点云表面形成孔空洞，生成对抗点云；有选择性的对点云拓扑结构进行破坏，丢弃掉点云的关键拓扑，会大大降低模型的识别准确率，误导模型输出错误的结果；该方法在降低模型识别准确率方面优于已有的对抗性攻击。

本发明公开了一种基于几何向量的对抗样本生成方法，包括：步骤1，数据预处理；步骤2，模型预训练；步骤3，重复步骤(a)‑(f)，直到收敛，得到DGA域名对抗样本：(a)将合法域名输入ATN网络生成合法域名对抗样本，并得到扰动损失；(b)将合法域名和以及合法域名对抗样本输入噪声扰动方向函数得到噪声；(c)将噪声和DGA域名输入扰动网络得到DGA域名对抗样本；所述扰动网络为基于几何向量的扰动网络；(d)将DGA域名对抗样本输入目标网络，得到目标网络损失；(e)利用扰动损失和目标网络损失得到目标损失函数；(f)通过最小化目标损失函数更新ATN网络。本发明可以针对特定DGA类别生成其对抗样本。

本发明公开一种基于分块域变换模拟技术的JPEG对抗样本生成方法，所述对抗样本生成方法包括以下步骤：以分块域变换模拟技术为基础，利用卷积层构建JPEG解压缩模块、之后与原始卷积神经网络组合形成输入为JPEG流的新模型；获取该模型关于输入JPEG流的梯度信息；按照单步幅度构建对抗噪声；经过块间位置筛选和块内像素筛选步骤后确定对抗噪声嵌入位置，重复直至生成的JPEG流变为对抗样本。本发明JPEG对抗样本生成方法解决了数字图像对抗样本无法以有损压缩格式存储和传输的问题，通过以分块域变换模拟技术为基础构建JPEG解压缩模块，直接获取关于JPEG流的梯度信息，以广泛使用的JPEG图像格式生成对抗样本。

本发明公开了一种基于扰动的对抗样本生成与对抗性防御方法，属于深度学习技术领域。目前对抗样本生成的方法多样化，关于何种扰动更易形成对抗样本是所要解决的重要问题。本发明通过在图像数据中添加扰动生成对抗样本，基于深度神经网络模型，挖掘测试样本的高影响扰动，研究扰动对于对抗样本生成的相关影响，将无维数匹配约束的广义非负矩阵分解算法的降维功能应用在基于扰动的对抗样本的防御过程中，提出基于无维数匹配约束降维的对抗样本扰动消减方法，能够降低深度神经网络模型的识别出错率。