买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉河海大学申请的专利基于稀疏扰动的对抗样本生成方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115311513B 。

龙图腾网通过国家知识产权局官网在2025-08-08发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210829831.4，技术领域涉及：G06V10/774；该发明授权基于稀疏扰动的对抗样本生成方法及系统是由胡黎明;吉顺慧;张鹏程设计研发完成，并于2022-07-15向国家知识产权局提交的专利申请。

本基于稀疏扰动的对抗样本生成方法及系统在说明书摘要公布了：本发明面向图像领域的DNN模型，提出了一种基于稀疏扰动的对抗样本生成方法及系统。本发明首先基于损失函数关于输入图像的梯度值迭代地选择扰动点来生成初始对抗样本，每一次迭代按照梯度值由大到小的顺序确定新增扰动点的候选集，选择使损失函数值最小的扰动添加到图像中。然后基于生成的初始扰动方案，通过一种扰动优化策略来提高对抗样本的稀疏性和真实性，基于每个扰动的重要性来改进扰动以跳出局部最优，并进一步减少冗余扰动以及冗余扰动幅度。本发明针对Inception‑v3模型在ImageNet数据集上生成的非目标对抗样本能够达到100％的攻击成功率，与现有对抗样本生成方法相比，本发明生成的扰动在具有较低扰动幅度的同时，能够达到更优的扰动稀疏性。

本发明授权基于稀疏扰动的对抗样本生成方法及系统在权利要求书中公布了：1.一种基于稀疏扰动的对抗样本生成方法，其特征在于，包括如下步骤： 步骤1：基于损失函数关于输入图像的梯度值迭代地选择扰动点来生成初始对抗样本，每一次迭代按照梯度值由大到小的顺序确定新增扰动点的候选集，选择使损失函数值最小的扰动添加到图像中，直到被扰动的图像能够成功攻击DNN；其中，第t+1次迭代选择扰动点并添加扰动的方法如下： 步骤11：将前t次迭代后生成的图像输入DNN，计算损失函数关于输入图像的梯度值，采用的损失函数公式如下： fx,y＝maxZxy-max{Zxi:i≠y},-h 其中x，y分别为图像以及其相应的真实标签，Zxi为DNN针对图像x关于标签i的预测概率，h为置信度参数； 步骤12：针对图像中前t次迭代确定的扰动点，在扰动阈值的限制下，基于步骤11计算出的梯度值继续添加扰动，对图像添加扰动的具体公式如下： 其中分别为扰动添加前后的图像，表示将图像x中每一个像素添加的扰动限制在ε内，g为损失函数关于输入图像的梯度值矩阵，v为记录扰动位置的矩阵，扰动点位置的取值为1，其余取值为0，g·v表示两个矩阵对应位置元素值的逻辑乘，α是设定的固定值参数，用于控制添加扰动的幅度； 步骤13：在图像剩余未被扰动的像素点中，按照梯度值由大到小的顺序将前k个像素点p1,p2,...,pk作为候选扰动点集，分别对其中1个像素点添加扰动，若在pi添加的扰动导致损失函数值下降最大，则将pi作为第t+1次迭代新增的扰动点，并将其扰动添加到图像中，相应地修改v中pi相应像素位置的值为1； 步骤14：判断当前迭代生成的图像能否成功攻击DNN，如果能够成功攻击DNN，则跳转至步骤2，否则，迭代次数加1，并跳转至步骤11继续对图像添加扰动； 步骤2：针对初始对抗样本，计算每个扰动点的扰动相对于整体扰动的重要性，按照扰动重要性由小到大的顺序逐个判断并删除冗余扰动，并再次计算扰动重要性后，根据扰动重要性由小到大排序去除前设定数量或比例的扰动；重新执行步骤1添加扰动使对抗样本能成功攻击DNN，直到超过设定的循环次数或者扰动的稀疏性连续设定次数不再提升；其中计算扰动重要性的方法如下： 获取对抗样本xadv中添加的扰动δ，设对抗样本的扰动由q个像素点的扰动δj组成，j＝1,2,3,...,q，针对扰动δ中的各个扰动δj计算其重要性： 从原对抗样本xadv中去除扰动δj，得到新的扰动图像xadv*；计算xadv*的损失函数值fxadv*,y，y为图像x的真实标签，δj的扰动重要性σj通过xadv*相比原对抗样本xadv的损失函数值fxadv,y变化量来衡量，计算公式为：σj＝fxadv*,y-fxadv,y。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人河海大学，其通讯地址为：210024 江苏省南京市鼓楼区西康路1号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。