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！

龙图腾网获悉暨南大学申请的专利基于多目标神经网络架构优化的SAR对抗图像检测系统及方法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：CN115661508B 。

龙图腾网通过国家知识产权局官网在2025-12-23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：202211164576.2，技术领域涉及：G06V10/764；该发明授权基于多目标神经网络架构优化的SAR对抗图像检测系统及方法是由曾国强;魏海南;耿光刚;翁健;黄家承;张宇设计研发完成，并于2022-09-23向国家知识产权局提交的专利申请。

本基于多目标神经网络架构优化的SAR对抗图像检测系统及方法在说明书摘要公布了：本发明公开了一种基于多目标神经网络架构优化的SAR对抗图像检测系统及方法，本发明首先获取来自SAR历史数据库的图像数据集，对其进行数据解析和归一化，将其作为SAR图像检测离线训练模块的输入数据集，基于非支配排序遗传算法的设计神经网络架构优化平台获得针对FUSAR‑ship数据集的轻量级高鲁棒性的神经网络最优架构模型，在实现便于部署的同时，对SAR实时监控地面所产生图像的进行在线识别。本发明不仅可以用于SAR图像检测神经网络架构的自动生成和优化设计，而且在提高复杂SAR图像检测系统的对抗鲁棒性和准确率的同时，降低了SAR识别模型的复杂程度，大大减少了SAR在实现识别模型部署时的所需资源。

本发明授权基于多目标神经网络架构优化的SAR对抗图像检测系统及方法在权利要求书中公布了：1.一种基于多目标神经网络架构优化的轻量级高鲁棒性SAR对抗图像检测方法，其特征在于，包括以下步骤： 1数据集的采集与预处理：SAR图像检测的数据采集模块通过对高分三号卫星产生的高分辨率图像进行待检测目标中心的获取、图像切片以及类别标注，获得源数据集X，将每张图像大小缩放至256像素×256像素，并按照公式1进行数据的归一化处理，获得离线训练数据集Xo，输入基于多目标神经网络架构优化的离线优化训练模块，将Xo按照4:1的比例进行分割，获得训练集Xo-train与验证集Xo-valid； 其中，Xoj表示离线训练数据集Xo第j维度的特征，Xj表示源数据集X第j维度的特征，d表示Xo维度的最大值； 2设置基于多目标神经网络架构优化的离线优化训练模块的参数值：所述参数值包括种群大小N、构成神经网络架构的单元数量C、每个单元的染色体数l、架构优化的迭代优化次数I、神经网络离线训练的轮次Epoch、对抗扰动大小Epsilon、交叉操作的自定义参数η，变异率σ和变异区间上限σmax，变异区间下限σmin； 3初始化N个个体作为初始种群Q：每个个体的编码形式为xi＝{NormalCell,ReductionCell,Optim,lr}，其中NormalCell和ReductionCell表示构成离线训练神经网络的架构编码，Optim表示神经网络离线训练的优化器类型，lr表示神经网络离线训练优化器的学习率； NormalCell表示为一个NormalCell中包含l条染色体，第i个数组代表第i条染色体，其中1≤i≤l，operation代表一种操作类型，node代表一个待操作的节点，表示第i条染色体的第1个节点，表示第i条染色体的第2个节点，表示对的操作，表示对的操作； 其中operation是从操作集合中进行随机选择产生的，OPERATIONS的组成为：[Maxpooling,Avgpooling,Identity,SepConv_3×3,SepConv_5×5,SepConv_7×7,DilConv_3×3,DilConv_5×5,Conv_1×7_7×1]，在编码中分别用[0,1,2,3,4,5,6,7,8]表示；其中，Maxpooling代表最大池化操作，Avgpooling表示平均池化操作，Identity表示不进行任何操作，SepConv_3×3、SepConv_5×5、SepConv_7×7分别代表卷积核大小为3×3、5×5、7×7的深度可分离卷积单元，DilConv_3×3、DilConv_5×5分别代表卷积核大小为3×3、5×5的空洞卷积单元，Conv_1×7_7×1表示为将一个卷积核大小为7×7的卷积层划分为两个大小为1×7和7×1的卷积核所构成的空间可分离卷积单元； 一个NormalCell的第一条染色体包含两个初始的节点，分别标记为和表示NormalCell中第一条染色体的第1个节点，表示NormalCell中第一条染色体的第2个节点，其分别来自前两个cell的输出；通过随机选择已存在的node，对其执行operation，产生新的node，一条染色体包含两个operation和两个node，通过对node进行operation操作，以此产生两个新的node，直到染色体中node的个数等于l；将没有进行operation操作的node结合，初始节点除外，作为整个Normalcell的输出； ReductionCell组成为一个ReductionCell中包含l条染色体，第i个数组代表第i条染色体，其中1≤i≤l，execution代表一种操作类型，knot代表一个待操作的节点，表示第i条染色体的第1个节点，表示第i条染色体的第2个节点，表示对的操作，表示对的操作；其中execution是从OPERATIONS中进行随机选择产生，一个ReductionCell的第一条染色体包含两个初始的节点，分别标记为和表示ReductionCell中第一条染色体的第1个节点，表示ReductionCell中第一条染色体的第2个节点，其分别来自前两个cell的输出；通过随机选择已存在的knot，对其执行execution，产生新的knot，一条染色体包含两个execution和两个knot，通过对knot进行execution操作，共产生两个新的knot，直到染色体中knot的个数等于l；将没有进行execution操作的knot结合，初始节点除外，作为整个ReductionCell的输出；ReductionCell与NormalCell不同的地方在于，需对每一个Reductioncell中的卷积相关操作的参数卷积步长Stride变为2； Optim从集合Optimizer＝[Adadelta,Adam,SGD,RMSprop,Adagrad,AdamW,Adamax,ASGD,Rprop]中进行随机选择产生，Optimizer对应的编码为[0,1,2,3,4,5,6,7,8]；其中 AdaDelta表示改进版自适应学习率优化器，Adam表示自适应矩估计优化器，SGD表示随机梯度下降优化器，Adagrad表示自适应学习率优化器，Rmsprop表示均方根传播优化器，AdamW表示加入权值衰减的自适应矩估计优化器，Adamax表示基于无穷范式的自适应矩估计优化器，ASGD表示异步随机梯度下降优化器，Rprop表示弹性反向传播优化器；Optim的学习率lr从集合LearningRate＝[0.1,0.01,0.001,0.0001]中随机选择产生，LearningRate对应的编码为[0,1,2,3]； 一个xi实例化的过程是将其NormalCell和ReductionCell进行有序地堆叠，直到Cell的个数等于C；在每一个cell后加入一个压缩激励网络模块，cell的堆叠结束后，在网络的最后加入Globalpooling层和Non-Local层；其中Globalpooling层表示全局池化模块，Non-Local层表示非局部网络模块； 4对初始种群Q进行性能评估：依据Q中每个个体表征的架构信息转化为对应的神经网络模型，将离线训练数据集Xo-train作为每个卷积神经网络模型的数据输入，进行Epoch轮次的离线训练，对验证集Xo-valid从四种对抗攻击中随机选择一种进行攻击，生成对抗验证集Xo-adv-valid进行验证测试，分别根据公式2和公式3计算在验证集Xo-valid和Xo-adv-valid上的目标值f1和f2，其中四种对抗攻击分别为：快速梯度符号算法FastGradientSignMethod,FGSM、投影梯度下降方法ProjectedGradientDescent,PGD、高斯噪音GaussianNoise,GN和Carliniamp;Wagner攻击简称CW；公式2、3如下： 其中Nerr为Xo-valid预测错误的样本数量，Nall为Xo-valid的总样本数量； 其中Nadv-err为Xo-adv-valid预测错误的对抗样本数量，Ave、Std分别表示在Xo-adv-valid所受对抗攻击下多个测试模型所得测试精度的平均值和标准差； 5统计种群Q中每一个个体的f1值和f2值，若xi的f1值和f2值都优于xj的f1值和f2值，则称xi可支配xj；将xj的被支配个体数nj加1的同时，将xj加入被xi支配的个体集合si中；比较各个个体之间的支配情况，得到每个个体的被支配个体数n和可支配个体集合s；找到种群中n为0的个体，将其保存在集合F1中；对F1中的每个个体所支配的个体集合s进行遍历，对s中的每个个体g执行ng＝ng-1，如果存在ng＝0的个体将其加入集合F2中；对F2在进行上述重复操作，直到整个种群Q都被划分到不同等级的集合F中； 6针对已经进行支配排序划分等级的种群Q：对每一个等级集合Fk，其中1≤k≤N，分别根据f1和f2进行升序排序，对Fk中的每一个个体m进行根据公式4进行拥挤度的计算； 其中，md表示个体m的拥挤度，表示个体m+1的目标值fj，表示个体m-1的目标值fj； 7根据种群Q中个体的排列顺序进行遍历操作：每次选取2个个体作为父代个体，分别标记为和一个个体包含两种cell编码，分别为NormalCell编码和ReductionCell编码；一个cell包含l条染色体，在NormalCell编码中，使用4位编码分别表示一条染色体中的两个node和两个operation；在ReductionCell编码中，使用4位编码分别表示一条染色体中的两个knot和两个execution；n为一个cell的基因编码数量，取值为8l；根据公式5实现两个父代个体之间的交叉计算，得到两个后代个体，分别为和 其中β是由分布因子η按照公式6动态随机决定的； 其中rand表示在0到1范围内产生的随机数，η是一个自定义参数，η值越大，所产生的后代个体更接近父代个体；将产生的后代c1和c2存入新的种群集合P中，重复上述操作，直到集合P的大小等于种群Q的大小； 8遍历新的种群P中的个体，对其进行变异操作：针对个体随机生成一个0-1之间的浮点数p，判断p与变异率σ之间的关系，如果pσ，则个体不需要变异；反之，根据公式7对个体进行变异计算； 其中，是种群P中的个体xi的第k位编码,是根据计算获得的后代个体xim的第k位编码，l为个体染色体的个数，uk是σmax中第k位数，lk是σmin中第k位数，其中δ根据公式8计算得出； 其中λm是分布指数，rand是一个[0,1]之间的随机数，δ1、δ2分别根据公式9、公式10计算得出； δ1＝vk-lkuk-lk9 δ2＝uk-lkvk-lk10 9按照步骤4所述的性能评估方法，对经过交叉和变异的种群P进行f1、f2目标值的计算：将种群P与种群Q合并，得到种群R，按照步骤5对种群R进行非支配排序，按照步骤6对已经进行非支配排序的种群R进行拥挤距离的计算，在每一个集合F中，按照拥挤度大小从小到达排序，选取排序后种群R的前N个个体，构成新的后代种群Qn； 10无条件地接受Q＝Qn； 11重复步骤4～步骤9，直到满足设定的架构优化的迭代优化次数I为止； 12将离线优化训练模块中最终获得的F1集合中拥挤度最小的个体作为最优个体Xbest，根据Xbest所表征的最优架构信息，构建SAR图像检测模块中的最优神经网络模型，并设置最优神经网络模型的参数，包括在线检测的轮次Epoch2、学习率、优化器的类型以及其动量设置等； 13SAR图像检测方法的数据采集模块从SAR实时监控获取SAR图像信息，经过待检测目标中心获取、图像切片和数据归一化处理后，作为基于最优神经网络模型的SAR图像检测模块的在线检测数据集，标记为Xt，对Xt分别进行FGSM、PGD、CW、GN、基于向决策边界正交投影的对抗攻击和自监督扰动对抗攻击SelfSupervisedPerturbation，简称SSP，得到相应的对抗数据集Xadv； 14利用在线检测模块运行最优神经网络模型，对在线检测数据集Xt进行在线SAR图像检测，按照公式11计算SAR图像的测试精度；对在线对抗检测数据集Xadv进行在线SAR图像检测，按照公式12计算SAR图像的对抗精度； 其中，Ntrue表示将正常SAR图像样本正确预测的数量，Nall表示总的SAR图像样本数量，Nadv-true表示将不同对抗攻击下的SAR图像样本正确预测的数量。

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暨南大学，其通讯地址为：510630 广东省广州市天河区黄埔大道西601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。