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模型中间层的可迁移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：CN116543260B 。

龙图腾网通过国家知识产权局官网在2025-12-19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：202310514286.4，技术领域涉及：G06V10/774；该发明授权基于模型中间层的可迁移对抗样本生成方法及系统是由吉顺慧;单心怡;胡鹤轩;张鹏程设计研发完成，并于2023-05-09向国家知识产权局提交的专利申请。

本基于模型中间层的可迁移对抗样本生成方法及系统在说明书摘要公布了：本发明提出了一种基于模型中间层的可迁移对抗样本生成方法及系统，目的是测试深度神经网络模型的鲁棒性。首先，使用图像样本集训练目标图像分类模型和替代模型。其次，用白盒对抗样本生成方法生成初始对抗样本，并计算模型每一个中间层的特征重要性。然后，选择特征重要性最高的中间层，在该层上对图像样本添加扰动以寻找更优的对抗样本尽可能保持初始对抗样本的攻击方向并且最大化扰动强度，并且使用高斯滤波器降低图像中的高频噪声。重复上述步骤达到最大的迭代次数，得到可迁移图像对抗样本。该方法通过在深度神经网络模型中间层生成对抗样本，在提升可迁移图像对抗样本生成成功率的同时提升生成图像的质量。

本发明授权基于模型中间层的可迁移对抗样本生成方法及系统在权利要求书中公布了：1.一种基于模型中间层的可迁移对抗样本生成方法，其特征在于，包括如下步骤： 步骤1：使用图像样本集训练目标图像分类模型和替代模型； 步骤2：在替代模型上用白盒对抗样本生成方法添加扰动至输入图像样本中，生成初始的对抗样本，并在生成初始对抗样本的过程中计算替代模型每一个中间层的特征重要性； 步骤3：在特征重要性最高的中间层获得输入图像样本和初始对抗样本的中间特征，并将其差异作为初始对抗样本的攻击方向，以在初始对抗样本上寻找一个更优的对抗样本为目标，计算替代模型中间层损失函数，所述更优的对抗样本尽可能保持初始对抗样本的攻击方向并且最大化扰动强度；反向传播计算梯度，根据梯度方向和大小获得当前轮次迭代的扰动； 步骤4：将生成的扰动加入到输入图像样本中，并根据扰动约束对加入扰动的图像样本进行微调，使其满足约束条件，获得当前轮次迭代的中间图像样本； 步骤5：使用高斯滤波器降低中间图像样本的高频噪声，使得图像样本更加平滑； 步骤6：判断迭代次数是否能够达到最大迭代次数，如果是则将平滑后的中间图像样本作为生成的可迁移图像对抗样本，否则将平滑后的中间图像样本重新作为替代模型的输入，重复3～5步骤； 所述步骤2中计算中间层的特征重要性的方法是：在生成初始对抗样本的过程中，首先通过替代模型进行前向传播，然后根据真实标签计算损失函数，其次进行反向传播，计算每个中间层的梯度；再将迭代过程中每一层的梯度值进行平均，然后计算平均值的绝对值，作为该层特征图的重要性分数；最后将每一层的重要性分数除以所有层的重要性分数之和，从而得到每一层的归一化重要性分数； 所述步骤3包括如下步骤： 步骤31：选择特征重要性最高的层l，通过前向传播获得原始干净图像样本x与初始对抗样本x'在层l的中间特征:fx和fx'，将Δx'＝fx'-fx视为初始对抗样本x'的攻击方向，则我们的目标是通过在模型的中间层l上优化x'寻找到一个更优的对抗样本x”，使得x”尽可能保持原有的攻击方向并且最大化扰动强度，损失函数如下： 其中fx”是x”在层l的中间特征，Δx”＝fx”-fx，·表示点乘操作，||||表示2范数用来规范扰动大小，表示计算均方误差； 步骤32：反向传播求得模型的损失函数相对图像样本x”的梯度对模型相对图像样本x”的梯度进行标准化，得到： 得到当前轮次迭代的扰动：Δx”＝grad'x”

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”。

以上内容由龙图腾AI智能生成。