[发明专利]基于自适应组样本扰动约束的对抗训练方法、装置及设备

权利要求书

1.一种基于自适应组样本扰动约束的对抗训练方法，其特征在于，包括：

获取多个训练图像；针对每个训练图像，将所述训练图像输入给初始网络模型，得到所述训练图像对应的网络输出向量和预测类别；

若基于所述预测类别和所述训练图像的实际类别确定所述训练图像的分类结果为错误，则将所述训练图像确定为自然样本图像；

若基于所述预测类别和所述实际类别确定所述训练图像的分类结果为正确，则基于所述网络输出向量确定所述训练图像对应的目标自适应组；基于所述目标自适应组对应的目标样本扰动约束确定所述训练图像对应的目标扰动向量，基于所述目标扰动向量和所述训练图像生成扰动样本图像；

基于所述多个训练图像对应的自然样本图像和扰动样本图像，对所述初始网络模型进行训练，得到已训练的目标网络模型；

其中，所述目标网络模型用于对待分类图像进行分类。

2.根据权利要求1所述的方法，其特征在于，所述将所述训练图像输入给初始网络模型，得到所述训练图像对应的网络输出向量，包括：

将所述训练图像输入给初始网络模型的第一子网络，并将所述第一子网络输出的特征向量确定为所述网络输出向量；其中，所述初始网络模型包括第一子网络和第二子网络，所述第二子网络包括初始网络模型中的最后一个网络层，所述第一子网络包括除所述最后一个网络层之外的其余网络层。

3.根据权利要求1所述的方法，其特征在于，

所述基于所述网络输出向量确定所述训练图像对应的目标自适应组，包括：

基于所有分类结果为正确的训练图像对应的网络输出向量中的最大特征值确定目标特征值，并基于所述目标特征值确定至少两个自适应组；其中，每个自适应组对应一个特征值区间，且不同自适应组对应的特征值区间不同；

确定所述网络输出向量中的最大特征值对应的特征值区间，并将该特征值区间对应的自适应组确定为所述训练图像对应的目标自适应组。

4.根据权利要求3所述的方法，其特征在于，

所述基于所述目标特征值确定至少两个自适应组，包括：

基于所述目标特征值确定第一自适应组、第二自适应组和第三自适应组；

其中，所述第一自适应组对应的特征值区间的区间起始值为所述目标特征值与预设第一阈值之差，且所述第一自适应组对应的特征值区间的区间结束值为所述目标特征值与预设第二阈值之和；所述第二自适应组对应的特征值区间的区间结束值为所述目标特征值与预设第一阈值之差；所述第三自适应组对应的特征值区间的区间起始值为所述目标特征值与预设第二阈值之和。

5.根据权利要求1所述的方法，其特征在于，

所述目标自适应组对应的目标样本扰动约束的确定方式，包括：

获取初始样本扰动约束，基于所述初始样本扰动约束确定初始扰动向量，基于所述初始扰动向量和所述目标自适应组对应的训练图像生成初始样本图像；

将所述初始样本图像输入给已配置的参考网络模型，得到所述初始样本图像对应的预测类别；若基于该预测类别确定所述初始样本图像的分类结果为错误，则确定所述初始样本扰动约束是否已满足搜索结束条件；

若是，则基于所述初始样本扰动约束确定所述目标自适应组对应的目标样本扰动约束；若否，则降低所述初始样本扰动约束，基于降低后的初始样本扰动约束，并返回执行基于所述初始样本扰动约束确定初始扰动向量的操作。

6.根据权利要求5所述的方法，其特征在于，

所述将所述初始样本图像输入给已配置的参考网络模型，得到所述初始样本图像对应的预测类别之后，所述方法还包括：

若基于该预测类别确定所述初始样本图像的分类结果为正确，则增加所述初始样本扰动约束，并判断增加后的初始样本扰动约束是否大于已配置的样本扰动约束最大值；如果否，则基于增加后的初始样本扰动约束，返回执行基于所述初始样本扰动约束确定初始扰动向量的操作；如果是，则基于所述样本扰动约束最大值确定所述目标自适应组对应的目标样本扰动约束。