专利交易市场

本发明公开了一种面向车牌识别系统黑盒物理攻击的防御方法及装置。该方法利用基于扰动进化的方式，将多个初始随机扰动优化成不引人注目的特定扰动，并且利用数字图像处理的方法模拟现实场景下的不同环境变化，将对抗样本在不同环境下的攻击效果也作为优化目标，实现了物理场景下对车牌识别模型强健的黑盒攻击，然后将攻击得到的大量对抗样本与干净数据集按一定比例混合，作为对抗训练的训练数据集，对模型进行再训练，提高了模型对对抗样本检测的准确率，从而提高了模型对于对抗攻击的鲁棒性。

本发明公开了一种基于对偶式生成网络的对抗攻击防御模型，包括训练好的生成模型Gt和判别模型Dt，其中，所述生成模型Gt用于对输入的对抗样本进行去扰动，输出良性样本，所述判别模型Dt用于对输入的良性样本进行防御判别，输出正确的判别结果。该基于对偶式生成网络的对抗攻击防御模型实现了对已知攻击和部分未知攻击进行防御。还公开了上述基于对偶式生成网络的对抗攻击防御模型在人脸识别领域和无线信号调制类型识别领域中的应用。

本发明公开了一种通道自适应优化的对抗攻击防御方法和装置，包括：(1)挑选分类正确并攻击成功的对抗图像以及对抗图像对应的正常图像，作为样本图像；(2)对样本图像进行图像变换后得到变换图像，将变换图像输入至图像分类器中获得置信度矩阵；(3)将样本图像的通道数作为鸟巢的维度，利用二进制布谷鸟搜索算法优化通道数，以获得最优的通道个数及通道组合；(4)按照最优的通道组合对样本图像的置信度矩阵进行重组，利用重组的新置信度矩阵训练优化检测器，获得训练好的检测器；(5)将待检测图像进行图像变换后输入至分类器中，将获得的置信度矩阵输入至训练好的检测器中，经计算输出准确的检测结果，以实现对抗防御。

本发明公开了一种基于通用逆扰动防御矩阵的对抗攻击防御方法，首先，准备对抗样本，利用各类攻击方法获得比较全面的对抗样本；然后开始训练通用逆扰动矩阵，训练策略包括通用逆扰动防御矩阵策略、通用逆扰动防御矩阵生成网络策略和自集成通用逆扰动防御矩阵生成网络策略，使用三种不同的策略生成通用逆扰动矩阵，以应对不用的用户需求，用户的计算资源越充足，防御等级需求越高，使用的通用逆扰动矩阵生成策略越复杂；最后，观察所产生的通用逆扰动矩阵的性能指标，指标达标后，进行对抗攻击防御的应用。本发明的方法，不需要使用模型的反馈信息，也不会改动模型内部结构，既能对已知的各种攻击进行防御，还能实现对部分未知攻击进行防御。

本发明公开了一种面向注意力机制的对抗攻击防御方法，包括以下步骤：(1)采用注意力机制提取目标轮廓的轮廓特征，并且基于轮廓特征加入微小的扰动量，获得对抗样本，再通过动量迭代的方式优化扰动变量以更新对抗样本，从而实现对深度模型的对抗攻击；(2)利用对抗样本基于多强度对抗训练策略对深度模型进行对抗训练，以实现深度模型对对抗攻击的防御。该方法提高了分类器对对抗样本攻击的鲁棒性和泛化能力，从而使得分类器更加可靠、稳定，提高深度学习模型在实际应用过程中的安全性。还公开了一种面向注意力机制的对抗攻击防御方法在图像分类中的应用。