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！

龙图腾网获悉安徽工业大学申请的专利一种基于联合损失函数的图像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：CN115375966B 。

龙图腾网通过国家知识产权局官网在2025-10-03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：202210966497.7，技术领域涉及：G06V10/774；该发明授权一种基于联合损失函数的图像对抗样本生成方法及系统是由薛伟;夏筱彦;万鹏程;王鑫宇设计研发完成，并于2022-08-12向国家知识产权局提交的专利申请。

本一种基于联合损失函数的图像对抗样本生成方法及系统在说明书摘要公布了：本发明公开了一种基于联合损失函数的图像对抗样本生成方法及系统。所述方法包括获取图像样本及随机噪声样本；将图像样本输入生成网络得到对抗样本并构建第一损失函数；将图像样本及对抗样本输入判别网络构建第二损失函数；将对抗样本输入待攻击模型以基于检测框构建第三损失函数；将图像样本输入待攻击模型获得注意力权重，通过图像金字塔获取对抗样本及随机噪声样本在不同尺度下特征张量，基于它们构建第四损失函数；基于前述各损失函数构建联合损失函数对生成网络及判别网络的权重更新；重复上述步骤直至获得最优生成网络，将图像样本输入其中以得到最终对抗样本。本发明不用获取待攻击模型结构，具有对抗样本生成周期短、攻击迁移性强的优势。

本发明授权一种基于联合损失函数的图像对抗样本生成方法及系统在权利要求书中公布了：1.一种基于联合损失函数的图像对抗样本生成方法，其特征在于，包括： 获取随机噪声样本，及待攻击模型的若干图像样本； 将所述图像样本输入生成网络以生成对抗样本，并基于所述对抗样本与所述图像样本间的差异构建第一损失函数；然后，将所述图像样本及所述对抗样本分别输入判别网络，以基于输出的预测结果与相应的真实标签构建第二损失函数； 其中，所述第一损失函数为：其中，|pn|表示所述图像样本与所述对抗样本中第n个像素点处的像素距离； 所述第二损失函数为：其中，t为所述图像样本或所述对抗样本的真实标签，图像样本为正样本，记作1，对抗样本为负样本，记作0；为判别网络输出为正样本的概率； 将所述对抗样本输入待攻击模型，以基于输出的标签信息构建第三损失函数；将所述图像样本输入待攻击模型以获得对应的注意力权重，并通过图像金字塔获取所述对抗样本及所述随机噪声样本在不同尺度下的特征张量，以基于所述注意力权重，所述对抗样本不同尺度下的特征张量，及所述随机噪声样本不同尺度下的特征张量构建第四损失函数； 其中，所述第三损失函数为：Ldect＝λobjLobjZ|Ο,σ+λlocLlocZ|Ο,σ+λprobLprobZ|Ο,σ； 其中，Lobj为置信度损失项，λobj为置信度损失系数；Lloc为检测框位置损失项，λloc为检测框位置损失系数；Lprob为检测类别损失，λprob为检测类别损失系数；Z为对抗样本，σ为待攻击模型的参数；Ο＝{οz|Pz＝0，1≤z≤S}表示人为预设的虚假标签，其中，z表示检测框的ID，οz表示检测框z的坐标位置和类别概率，Pz＝0表示所述检测框z正确标记待识别目标的置信度为0，S为待识别目标的总数； 所述第四损失函数为：其中，EI表示期望值，M表示图像金字塔中不同尺度的特征层的总数，m＝1,2,…,M依次表示不同尺度的特征层；Xm表示所述对抗样本在第m特征层上计算得到的特征张量；Rm表示所述随机噪声样本在第m特征层上计算得到的特征张量；Am为所述图像样本的注意力权重，其中，检测框内像素的权重大于检测框外像素的权重； 通过所述第一损失函数、所述第二损失函数、所述第三损失函数及所述第四损失函数构建联合损失函数，以分别对所述生成网络及所述判别网络的权重参数进行更新； 其中，所述联合损失函数为：重复执行上述步骤直至获得最优化的生成网络，并将所述图像样本输入其中以得到最终的对抗样本。

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安徽工业大学，其通讯地址为：243032 安徽省马鞍山市湖东中路59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”。

以上内容由龙图腾AI智能生成。