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！

龙图腾网获悉南京航空航天大学申请的专利基于改进生成对抗网络的图像分类模型鲁棒性增强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：CN121010835B 。

龙图腾网通过国家知识产权局官网在2026-02-13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：202511538646.X，技术领域涉及：G06V10/764；该发明授权基于改进生成对抗网络的图像分类模型鲁棒性增强方法及系统是由张彤;任明阳;鲍家坤;朱琨设计研发完成，并于2025-10-27向国家知识产权局提交的专利申请。

本基于改进生成对抗网络的图像分类模型鲁棒性增强方法及系统在说明书摘要公布了：本发明公开了一种基于改进生成对抗网络的图像分类模型鲁棒性增强方法及系统，旨在解决现有技术中对抗样本生成质量不高、迁移性不足，以及对抗训练中模型鲁棒性与准确率难以兼顾的问题。本发明包括对生成对抗网络的改进，该生成对抗网络包括融合多头自注意力机制与密集残差块的增强型的生成器，以及基于谱归一化的自适应多尺度判别器。利用该网络生成具有高攻击成功率和强迁移性的高质量对抗样本，再通过课程学习等优化策略，将这些样本用于目标模型的对抗训练流程中。本发明有效提升了模型对多种对抗攻击的防御能力，同时维持了在干净数据上的高标准准确率，为构建安全可靠的人工智能系统提供了一套高效、完整的解决方案。

本发明授权基于改进生成对抗网络的图像分类模型鲁棒性增强方法及系统在权利要求书中公布了：1.一种基于改进生成对抗网络的图像分类模型鲁棒性增强方法，其特征在于，该方法包括构建IMP‑advGAN模型对目标模型进行训练，以增强目标模型的鲁棒性；所述IMP‑advGAN模型包括生成器G和判别器D，具体是： 所述生成器G融合多头自注意力机制和密集残差连接块，通过多头自注意力机制通过捕捉图像内部长距离的依赖关系，以关注图像的关键区域，通过密集残差块以增强特征提取和梯度流动，并且通过残差学习策略使生成器专注于学习扰动本身； 所述判别器D计入多尺度判别机制并动态融合多尺度特征，用于全面评估生成样本的质量，包括筛选高质量的对抗样本和原始干净样本混合以再训练目标模型，同时引入谱归一化处理以稳定生成对抗网络的训练过程，直至模型收敛； 对于生成器G，总损失函数定义为： ，其中，为用于最大化目标模型F对于图像分类中误分类置信度的对抗损失；为用于生成器G与判别器D进行对抗博弈的生成对抗网络损失；为用于在视觉上约束生成扰动幅度的范数形式的扰动约束损失；、、为各项损失的权重超参数； 生成器G为编码器‑瓶颈‑解码器的网络结构，是在瓶颈层中融合多头自注意力模块和密集残差连接块； 所述多头自注意力模块通过计算查询、键和值之间的缩放点积注意力，以实现捕捉输入特征图内部像素间的长距离依赖关系，用于引导生成的对抗扰动施加于对分类结果影响最大的图像关键语义区域； 所述密集残差连接块将每一卷积子模块的输入设定为前序卷积子模块输出特征在通道维度上的拼接，以强化网络中的特征复用与梯度流； 对抗训练过程采用课程学习的样本调度策略，在训练初期使用由所述生成器产生的扰动预算较小的对抗样本，并随训练进行逐步增加该扰动预算，以引入难度递增的对抗样本，稳定并优化所述目标模型的训练过程； 对抗损失用于驱动生成器G产生能够成功欺骗图像分类目标模型F的对抗样本，采用CW攻击中的损失形式，数学表示为： ，表示数学期望，表示图像分类目标模型F未经Softmax激活的原始输出，引导生成器寻找最有效的攻击方向，是指由生成器产生的对抗样本，是指输入样本的真实类别标签，i是表示除真实类别外的其他类别索引，为超参数，用于确保真实类别的logit值与其他类别的最高logit值之间有足够的间隔，该方法将其设置为0； GAN损失用于训练生成器 G 和判别器 D，采用最小二乘对抗网络的损失形式，数学表示为： ，表示自适应多尺度判别器D对输入的对抗样本的判别结果； 扰动约束损失用于调整扰动幅度大小，采用 L2范数损失，数学表示为： ，式中，表示表示增强型生成器G针对原始输入x生成的对抗扰动，表示计算向量的范数，即欧几里得距离，用于衡量扰动的整体能量。

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南京航空航天大学，其通讯地址为：210016 江苏省南京市秦淮区御道街29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。