[发明专利]一种认证半径引导攻击方法、优化训练方法及系统

权利要求书

1.一种语义分割模型的认证半径引导攻击方法，其特征在于，包括：

对训练样本集的每一张原始图片，添加高斯噪声，获取每一张原始图片对应的第一图片；

计算每一张第一图片的认证半径；

采用投影梯度下降法对每一张第一图片进行第一次迭代处理，以及结合所述认证半径和投影梯度下降法对每一张第一图片进行剩余次数的迭代处理，得到迭代处理后的第二图片，其中，所有的第二图片形成对抗样本集；

利用对抗样本集对语义分割模型进行攻击测试；

其中，所述语义分割模型用于对图片中的目标进行分割；

所述采用投影梯度下降法对每一张第一图片进行第一次迭代处理，包括：

其中，x表示训练样本集中的原始图片，x¹为原始图片x经过第一次迭代后的输出，代表图片x第一次迭代的梯度值，代表迭代过程中的步长；

所述结合认证半径和投影梯度下降法对每一张第一图片进行剩余次数的迭代处理，包括：

其中，x^t为原始图片x经过第t次迭代后的输出，R^t为原始图片第t次迭代后的认证半径。

2.根据权利要求1所述的认证半径引导攻击方法，其特征在于，通过如下公式计算每一张第一图片的认证半径：

其中，F(x)为优化后的语义分割模型，E代表期望值，代表高斯逆累积分布函数(Gaussian Inverse CDF function) ，代表高斯核，代表满足高斯分布的统计变量，表示原始图片经过优化前的语义分割模型后的输出，R_i代表训练样本集中的第i张原始图片的认证半径, F(x)_iA和F(x)_iB分别表示第i张原始图片经过优化后的语义分割模型后输出的预测分割图中像素值最大的像素点和像素值第二大的像素点的索引值。

3.根据权利要求1所述的认证半径引导攻击方法，其特征在于，所述利用对抗样本集对语义分割模型进行攻击测试，包括：

将对抗样本集中的每一张第二图片输入语义分割模型中，获取输出的每一张第二图片的真实分割结果；

根据每一张第二图片的真实分割结果与预测分割结果，计算语义分割模型的MIOU值；

基于语义分割模型的MIOU值，判定对语义分割模型的攻击测试是否成功。

4.一种语义分割模型的优化训练方法，其特征在于，包括：

基于权利要求1所述的认证半径引导攻击方法对语义分割模型进行攻击测试；

当攻击测试结果为攻击成功时，对语义分割模型的损失函数进行优化；

利用优化后的损失函数与对语义分割模型进行优化训练，得到优化训练后的语义分割模型。

5.根据权利要求4所述的优化训练方法，其特征在于，所述优化后的损失函数包括第一损失函数和第二损失函数，所述第一损失函数为利用训练样本集对语义分割模型训练时的损失函数，所述第二损失函数为利用对抗样本集对语义分割模型训练时的损失函数。

6.根据权利要求5所述的优化训练方法，其特征在于，所述第二损失函数为：

；

其中，n为对抗样本集中的第二图片的数量，R_i代表训练样本集中的第i张原始图片的认证半径，代表第i张原始图片对应的第i张第二图片的认证半径，CR_LOSS为第二损失函数，x表示原始图片，x’表示第二图片，F_iA(x)和F_iB(x)分别表示第i张原始图片经过优化后的语义分割模型后输出的预测分割图中像素值最大的像素点和像素值第二大的像素点的索引值，F_iA(x’)和F_iB(x’)分别表示第i张第二图片经过优化后的语义分割模型后输出的预测分割图中像素值最大的像素点和像素值第二大的像素点的索引值，代表高斯逆累积分布函数。