专利交易市场

本发明公开了一种基于图像变换的多通道对抗样本检测方法及装置，包括：1)首先挑选分类正确并攻击失败的数据集，2)然后通过对输入图像的旋转、缩放、平移、加噪声等操作，破坏攻击扰动，降低攻击成功率；3)并进一步从而挑选出图像变换前后分类准确率波动较大的数据集，将其对应的置信度组合为不同通道数的新数据集；4)接着将不同分类器生成的新数据集组合，输入对抗样本检测器中训练对抗样本检测器。该方法及装置能够以较小的网络复杂度和训练代价，实现较高的对抗样本识别率。

一种基于随机变换和小波重构的信号对抗样本检测方法，包括以下步骤：(1)对调制信号数据进行预处理，并设计调制分类模型；(2)根据信号调制分类器设计对抗样本；(3)根据调制分类器模型和降噪方法设计增强分类模型；(4)根据训练集数据的正常样本和其降噪样本获取决策阈值；(5)根据决策阈值对测试样本进行判定：根据增强模型对测试样本与其降噪样本的预测结果的绝对误差值对样本进行判定，若预测结果高于决策阈值判断其为对抗样本，反之为正常样本。本发明能够准确的检测到数据中对抗性的样本，有效降低信号在解调过程中对抗样本带来的风险，加强信号传输过程的安全性。

本发明公开了一种基于注意力图差异的对抗样本检测方法及系统，所述方法包括：获取原始样本，包括正常样本、对抗样本，为图像样本；采用基于梯度权重的类激活映射（grad‑CAM）方法生成原始样本的注意力图，得到待检测的注意力图；构建检测模型，所述检测模型由自编码器、判别器组成；训练模型，在无监督训练过程中，检测模型将学习到正常样本的注意力图的特征分布；检测对抗样本，将待检测的注意力图输入训练好的检测模型，得到重建的注意力图；通过计算重建的注意力图与输入的待检测的注意力图之间的差异，判定其对应的原始样本是否为对抗样本。本发明在显著提升检测精度的同时，还能高效准确地检测出黑盒攻击中比较新颖的对抗水印攻击。

本申请提供一种语音对抗样本检测模型的训练方法，包括：获取语音训练样本，语音训练样本包括多个正常语音样本及多个对抗语音样本(110)；将语音训练样本进行语谱图特征提取，分别得到正样本语谱图及负样本语谱图(120)；将正样本语谱图和负样本语谱图分别输入预设神经网络进行训练，得到语音对抗样本检测模型(130)。本申请还提供一种语音对抗样本检测方法、装置、设备及计算机可读存储介质。本申请实现了对语音对抗样本的准确检测。