[发明专利]一种图像的识别方法及装置

说明书

本发明实施例提供的一种图像的识别方法及装置，其中，方法包括：获取原始图像，基于原始图像生成粒子群，迭代更新粒子群，直至达到迭代次数，得到更新后的粒子群，在更新后的粒子群中，确定自适应值最小的目标粒子，针对原始图像，将该原始图像的特征值上与目标粒子对应的坐标值求和，得到对抗样本，利用对抗样本，训练预设的深度学习模型，得到训练后的深度学习模型，利用训练后的深度学习模型识别被扰动的图像。本发明实施例无需获知深度学习模型的内部结构，将目标粒子的坐标值与原始图像的特征值求和得到对抗样本，使用该对抗样本训练得到的深度学习模型抗干扰能力较强，可以提高识别携带未知扰动的图像时的准确性。

技术领域

本发明涉及图像技术领域，特别是涉及一种图像的识别方法及装置。

背景技术

随着智能设备高速发展，很多智能设备都具备图像识别功能，例如监控摄像头。在图像识别时，图像信息常常会受到周围环境的干扰，这些干扰称为扰动，如果扰动较为明显，这些扰动在图像识别前会被过滤器过滤掉。细微的扰动使得深度学习模型在识别携带扰动的图像时，也会产生错误的分类。示例性的，如果原始图像是一张数字1的图像，由于扰动使得原始图像产生了较小的失真，在使用深度学习模型识别该失真的图像时，可能将该图像误识别为模糊的数字1的图像。因此，现有技术中通常会在原始图像的基础上增加扰动，生成包含扰动的图像，将包含扰动的图像作为对抗样本，使用对抗样本训练得到深度学习模型。

现有技术在生成对抗样本时，需要获知深度学习模型的内部结构，内部结构包括：每一层神经元的个数以及神经元之间的连接方式，然后在获知深度学习模型的内部结构的情况下，使用梯度下降算法，迭代获取深度学习模型的梯度信息，根据梯度信息为原图像增加对应的扰动，得到对抗样本。

由于现有技术通过获知深度学习模型的内部结构，得到梯度信息，根据梯度信息为原图像增加的扰动的变化范围是已知的，该对抗样本在训练深度学习模型时，属于白盒攻击方式的训练，即对抗样本已获知深度学习模型的内部架构，而实际中大部分训练深度学习模型的方式属于黑盒攻击方式的训练，即对抗样本并不能就获知深度学习的内部结构，因此现有技术使用该对抗样本训练得到的深度学习模型，抗干扰能力较低，在识别携带未知扰动的图像时准确性不高。

发明内容

本发明实施例的目的在于提供一种图像的识别方法及装置，以提高识别携带未知扰动的图像时准确性。具体技术方案如下：

第一方面，本发明实施例提供的一种图像的识别方法，包括：

获取原始图像；

基于原始图像生成粒子群，粒子群包括：预设第一数量个粒子，每个粒子对应一个速度以及坐标值，每个粒子表示一个扰动；

迭代更新粒子群，直至达到迭代次数，得到更新后的粒子群；

在更新后的粒子群中，将自适应值最小的粒子作为目标粒子，自适应值表示原始图像在添加扰动后与原始图像的相似程度；

针对原始图像，将该原始图像的特征值上与目标粒子对应的坐标值求和，得到对抗样本；

利用对抗样本，训练预设的深度学习模型，得到训练后的深度学习模型；

利用训练后的深度学习模型识别被扰动的图像。

可选的，在获取原始图像的步骤之后，本发明第一方面实施例提供的一种图像的识别方法还包括：

将原始图像进行编码，得到原始图像映射至隐空间的向量；

基于原始图像生成粒子群的步骤包括：

随机生成粒子，直至达到预设的粒子个数；

针对每个粒子，根据预设的粒子速度生成区间，生成每个粒子的速度；

针对每个粒子，根据预设的坐标值生成区间，生成每个粒子的坐标，随机坐标的维度与向量的维度相同；