CN112766190A - 对抗样本生成方法、装置、存储介质及电子设备 - Google Patents
对抗样本生成方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN112766190A CN112766190A CN202110097206.0A CN202110097206A CN112766190A CN 112766190 A CN112766190 A CN 112766190A CN 202110097206 A CN202110097206 A CN 202110097206A CN 112766190 A CN112766190 A CN 112766190A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- pixel point
- standard deviation
- gaussian blur
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000012545 processing Methods 0.000 claims description 58
- 239000011159 matrix material Substances 0.000 claims description 52
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 19
- 238000013145 classification model Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 8
- 230000001174 ascending effect Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 description 28
- 230000007123 defense Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000000644 propagated effect Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/40—Spoof detection, e.g. liveness detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种对抗样本生成方法、装置、存储介质及电子设备,以提高生成的对抗样本的攻击性,从而更有效的防御对抗攻击。该方法包括:获取待生成对抗样本的原始图像;确定与所述原始图像尺寸相同的目标标准差图像,并根据所述目标标准差图像和预设模糊半径,确定所述原始图像中每个像素点对应的目标高斯模糊核;针对所述原始图像中每一像素点,根据所述目标高斯模糊核和所述像素点周围、位于所述预设模糊半径范围内的目标像素点,确定所述像素点对应的目标高斯模糊值,以得到所述原始图像对应的目标高斯模糊图像;将所述目标高斯模糊图像作为所述原始图像对应的对抗样本。
Description
技术领域
本公开涉及图像处理技术领域,具体地,涉及一种对抗样本生成方法、装置、存储介质及电子设备。
背景技术
随着各种图像处理模型的大规模应用,针对图像处理模型的攻击层出不穷,需要及时跟进研究,发现潜在的攻击手段,将危险防范于未然。众多攻击方法中,对抗攻击是一种新型的、攻击性较强的攻击手段。对抗攻击通过对抗样本导致图像处理模型以高置信度给出一个错误的输出。其中,对抗样本是攻击者通过特定手段构造的,人眼看起来和正常样本没有区别,但机器会错误分类的一类图像。
相关技术中,对抗样本生成方式通常是基于向图像施加像素级的扰动实现的,可以看成是对图像施加了某种特殊的噪声,因此这类对抗样本可以通过引入特征级别的去噪模块而进行一定程度的去除,攻击性不强,从而通过该类对抗样本对图像处理模型进行训练,训练后的图像处理模型的防御能力也有所欠缺,无法实现针对其他类型对抗样本的有效防御。
发明内容
提供该发明内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
第一方面,本公开提供一种对抗样本生成方法,所述方法包括:
获取待生成对抗样本的原始图像;
确定与所述原始图像尺寸相同的目标标准差图像,并根据所述目标标准差图像和预设模糊半径,确定所述原始图像中每个像素点对应的目标高斯模糊核,其中所述目标标准差图像中像素点的像素值表征的是用于确定所述原始图像中对应位置像素点的目标高斯模糊核的标准差;
针对所述原始图像中每一像素点,根据所述目标高斯模糊核和所述像素点周围、位于所述预设模糊半径范围内的目标像素点,确定所述像素点对应的目标高斯模糊值,以得到所述原始图像对应的目标高斯模糊图像;
将所述目标高斯模糊图像作为所述原始图像对应的对抗样本。
第二方面,本公开提供一种对抗样本生成装置,所述装置包括:
获取模块,用于获取待生成对抗样本的原始图像;
第一确定模块,用于确定与所述原始图像尺寸相同的目标标准差图像,并根据所述目标标准差图像和预设模糊半径,确定所述原始图像中每个像素点对应的目标高斯模糊核,其中所述标准差图像中像素点的像素值表征的是用于确定所述原始图像中对应位置像素点的目标高斯模糊核的标准差;
第二确定模块,用于针对所述原始图像中每一像素点,根据所述目标高斯模糊核和所述像素点周围、位于所述预设模糊半径范围内的目标像素点,确定所述像素点对应的目标高斯模糊值,以得到所述原始图像对应的目标高斯模糊图像;
第三确定模块,用于将所述目标高斯模糊图像作为所述原始图像对应的对抗样本。
第三方面,本公开提供一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现第一方面中所述方法的步骤。
第四方面,本公开提供一种电子设备,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现第一方面中所述方法的步骤。
通过上述技术方案,可以提供一种新的对抗样本生成方式,以通过像素级的图像模糊来生成对抗样本。相较于相关技术中基于向图像施加像素级的扰动来生成对抗样本的方式,本公开中的对抗样本生成方式可以提高对抗样本的攻击性,使得对抗样本可以绕过一些特定的防御方法,比如去噪模块的处理等,从而提高通过该对抗样本训练得到的图像处理模型对于对抗攻击的防御能力,更有效的针对其他类型对抗样本进行防御。此外,目标标准差图像中像素点的像素值表征的是用于确定原始图像中对应位置像素点的目标高斯模糊核的标准差,因此可以通过目标标准差图像控制高斯模糊图像的模糊程度,以满足不同场景下的对抗样本生成需求,提高该对抗样本生成方式的场景适用性。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。在附图中:
图1是根据一示例性实施例示出的一种对抗样本生成方法的流程图;
图2是根据一示例性实施例示出的一种对抗样本生成方法中确定高斯模糊图像的过程示意图;
图3是根据一示例性实施例示出的一种对抗样本生成装置的框图;
图4是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。另外需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
随着各种图像处理模型的大规模应用,针对图像处理模型的攻击层出不穷,需要及时跟进研究,发现潜在的攻击手段,将危险防范于未然。众多攻击方法中,对抗攻击是一种新型的、攻击性较强的攻击手段。对抗攻击通过对抗样本导致图像处理模型以高置信度给出一个错误的输出。其中,对抗样本是攻击者通过特定手段构造的,人眼看起来和正常样本没有区别,但机器会错误识别的一类图像。
相关技术中,对抗样本生成方式通常是基于向图像施加像素级的扰动实现的,可以看成是对图像施加了某种特殊的噪声,因此这类对抗样本可以通过引入特征级别的去噪模块而进行一定程度的去除,攻击形式受限,从而通过该类对抗样本对图像处理模型进行训练,训练后的图像处理模型对于对抗攻击的防御能力也有所欠缺,无法实现针对其他类型对抗样本的有效防御。
有鉴于此,本公开实施例提供一种对抗样本生成方法,以提供一种新的对抗样本生成方式,提高对抗样本的攻击性,使得对抗样本可以绕过一些特定的防御方法,从而提高通过该对抗样本训练得到的图像处理模型对于对抗攻击的防御能力,实现更有效的针对性防御。
图1是根据本公开一示例性实施例示出的一种对抗样本生成方法的流程图。参照图1,该对抗样本生成方法可以包括以下步骤:
步骤101,获取待生成对抗样本的原始图像;
步骤102,确定与原始图像尺寸相同的目标标准差图像,并根据目标标准差图像和预设模糊半径,确定原始图像中每个像素点对应的目标高斯模糊核。其中标准差图像中像素点的像素值表征的是用于确定原始图像中对应位置像素点的目标高斯模糊核的标准差。
步骤103,针对原始图像中每一像素点,根据目标高斯模糊核和像素点周围、位于预设模糊半径范围内的目标像素点,确定像素点对应的目标高斯模糊值,以得到原始图像对应的目标高斯模糊图像。
步骤104,将目标高斯模糊图像作为原始图像对应的对抗样本。
通过上述方式,可以提供一种新的对抗样本生成方式,以通过像素级的图像模糊来生成对抗样本。相较于相关技术中基于向图像施加像素级的扰动来生成对抗样本的方式,本公开中的对抗样本生成方式可以提高对抗样本的攻击性,使得对抗样本可以绕过一些特定的防御方法,比如去噪模块的处理等,从而提高通过该对抗样本训练得到的图像处理模型对于对抗攻击的防御能力,更有效的针对其他类型对抗样本进行防御。此外,目标标准差图像中像素点的像素值表征的是用于确定原始图像中对应位置像素点的目标高斯模糊核的标准差,因此可以通过目标标准差图像控制高斯模糊图像的模糊程度,以满足不同场景下的对抗样本生成需求,提高该对抗样本生成方式的场景适用性。
为了使得本领域技术人员更加理解本公开提供的对抗样本生成方法,下面对上述各步骤进行详细举例说明。
首先应当理解的是,本公开实施例提供的对抗样本生成方法可以执行在图像处理模型的训练阶段。具体地,可以先通过本公开实施例提供的对抗样本生成方式生成对抗样本,然后通过生成的该对抗样本对图像处理模型进行训练,以调整图像处理模型的参数。在可能的方式中,图像处理模型可以包括以下任一种图像处理模型:图像分类模型、深度伪造检测模型、人脸识别模型。比如,在深度伪造检测场景下,即检测人脸是否为真实人脸的场景下,可以先根据本公开实施例提供的对抗样本生成方法生成人脸图像对应的对抗样本,然后通过生成的该对抗样本训练深度伪造检测模型,以提高深度伪造检测模型对于对抗攻击的防御能力。
示例地,原始图像可以是从现有技术中各种图像测试数据集中获取到的图像,本公开实施例对此不作限定。在获取到待生成对抗样本的原始图像之后,可以确定与该原始图像尺寸相同的目标标准差图像。比如原始图像的长为H个像素点,宽为W个像素点,则目标标准差图像的长为H个像素点,且宽为W个像素点。
示例地,目标标准差图像中像素点的像素值表征的是用于确定原始图像中对应位置像素点的目标高斯模糊核的标准差。应当理解的是,目标标准差图像中像素点的像素值越大,则最终得到的目标高斯模糊图像的模糊程度越大。相应地,将该目标高斯模糊图像作为对抗样本对图像处理模型进行训练,该图像处理模型的过拟合问题可以得到缓解。反之,目标标准差图像中像素点的像素值越小,则最终得到的目标高斯模糊图像的模糊程度越小,比如当目标标准差图像中像素点的像素值趋近于0,则目标高斯模糊图像中像素点的像素值与原始图像中对应像素点的像素值趋近相等。在目标标准差图像中像素点的像素值较小的情况下,将得到的目标高斯模糊图像作为对抗样本对图像处理模型进行训练,该图像处理模型训练阶段可能会受到图像噪声干扰容易过拟合,导致图像处理模型的泛化性能较差,无法广泛适用于各种测试场景。
在可能的方式中,目标标准差图像可以通过如下方式得到:先获取初始标准差图像。该初始标准差图像中每个像素点的像素值为相同的预设像素值。然后根据初始标准差图像确定原始图像中每个像素点对应的初始高斯模糊核,并针对原始图像中的每一像素点,根据像素点周围像素点的像素值和初始高斯模糊核,确定像素点对应的初始高斯模糊值,以得到原始图像对应的初始高斯模糊图像。接着将初始高斯模糊图像输入图像处理模型中计算损失函数,最后根据损失函数的计算结果更新初始标准差图像,以得到目标标准差图像。
示例地,预设像素值可以根据实际情况进行设定,本公开实施例对此不作限定。比如,预设像素值可以设定为1,则初始标准差图像可以是尺寸与原始图像相同且每个像素点的像素值均为1的图像。
在获取初始标准差图像之后,可以基于该初始标准差图像和预设模糊半径,确定原始图像中每个像素点对应的初始高斯模糊核。其中,预设模糊半径表征的是根据像素点周围的哪些像素点进行高斯模糊计算。比如,预设模糊半径设定为3,则取像素点和该像素点周围的8个像素点进行高斯模糊计算,即根据包括像素点在内的9个像素点进行高斯模糊计算。在此种情况下,针对某一像素点,可以得到3乘3的矩阵,且该矩阵中每一元素的位置坐标值如下:
(-1,1) | (0,1) | (1,1) |
(-1,0) | (0,0) | (1,0) |
(-1,-1) | (0,-1) | (1,-1) |
其中,该矩阵的中心点元素对应某一像素点,中心点元素周围的8个元素分别对应该像素点周围的8个像素点。因此,可以通过该矩阵中每一元素在矩阵中的位置坐标值和该元素对应的像素点在初始标准差图像中所对应的标准差,按照高斯模糊的公式进行计算,以得到矩阵形式的初始高斯模糊核。在此种情况下,初始高斯模糊核为3乘3的矩阵形式。
在得到原始图像中每个像素点对应的初始高斯模糊核之后,可以将该像素点周围、位于预设模糊半径范围内的像素点的像素值与矩阵形式的初始高斯模糊核中对应元素的数值进行相乘,比如将像素点左边第一个像素点的像素值与矩阵形式的初始高斯模糊核的中心点元素左边第一个元素的数值进行相乘,以此类推。最后可以将所有相乘结果相加,以得到该像素点的高斯模糊值。由此,可以根据每一像素点周围的像素点的像素值对该像素点实现高斯模糊,从而得到原始图像对应的初始高斯模糊图像。
之后,可以将初始高斯模糊图像输入图像处理模型中计算损失函数,然后根据损失函数的计算结果更新初始标准差图像,以得到用于后续对抗样本生成过程的目标标准差图像。
在可能的方式中,可以将损失函数的计算结果进行反向传播,并通过梯度上升的方式更新初始标准差图像,以得到目标标准差图像;或者,将损失函数的计算结果取负值后进行反向传播,并通过梯度下降的方式更新初始标准差图像,以得到目标标准差图像。
例如,图像处理模型为图像分类模型,通过上述方式得到初始高斯模糊图像后,可以将该初始高斯模糊图像输入图像分类模型计算分类损失。比如,可以根据图像分类模型对于初始高斯模糊图像的分类结果和该初始高斯模糊对应的原始图像的实际分类结果计算分类损失。然后,可以反向传播该分类损失回初始标准差图像,并通过梯度上升更新初始标准差图像,以得到目标标准差图像,即可以按照如下公式对初始标准差图像中的每一像素点的像素值进行更新,以得到目标标准差图像:
其中,σadv表示目标标准差图像中像素点的像素值,σ表示初始标准差图像中像素点的像素值,∈表示预设学习率,表示梯度上升更新过程中的梯度值,xadv表示图像分类模型对初始高斯模糊图像的分类结果,y表示初始高斯模糊对应的原始图像的实际分类结果,L(xadv,y)表示根据图像分类模型对初始高斯模糊图像的分类结果和初始高斯模糊对应的原始图像的实际分类结果得到的损失函数计算结果。
应当理解的是,可以按照上述方式对初始标准差图像进行一次更新过程,以得到目标标准差图像。此种方式更新速度较快。或者,也可以按照上述方式先对初始标准差图像进行更新过程,以得到第一标准差图像,然后按照上述方式对第一标准差图像进行更新过程,以得到第二标准差图像,以此类推,通过多次更新过程得到目标标准差图像。此种方式得到的目标标准差图像的准确性较高。在本公开具体实施时,可以根据实际需求选择更新方式,本公开实施例对此不作限定。
在得到目标标准差图像之后,可以根据目标标准差图像和预设模糊半径,确定原始图像中每个像素点对应的目标高斯模糊核。
在可能的方式中,可以针对原始图像中的每一像素点,执行以下处理:先在目标标准差图像中确定该像素点对应的标准差,然后根据预设高斯半径建立矩阵,并根据矩阵中每一元素的坐标值和像素点对应的标准差,确定该像素点对应的目标高斯模糊核,其中矩阵的行数和列数为预设高斯半径的数值,该矩阵的中心点元素为坐标原点。
例如,参照图2,预设高斯半径为3,针对原始图像中的像素点xi,j(i和j为正整数,i小于原始图像的宽度值,j小于原始图像的长度值),可以在目标标准差图像中确定对应的标准差然后,可以根据预设高斯半径建立数值为空的3乘3矩阵,该矩阵中每一元素的位置坐标可以参照上文所述的3乘3矩阵的位置坐标。接着,可以按照如下公式(2),根据该矩阵中每一元素的位置坐标值和该元素对应的像素点在目标标准差图像中对应的标准差,计算矩阵中每一元素的数值,以得到图2所示的矩阵形式的目标高斯模糊核。
其中,Gi,j(u,v)表示矩阵中位置坐标为(u,v)的元素的数值。
在得到原始图像中每一像素点对应的目标高斯模糊核之后,可以针对原始图像中的每一像素点,计算目标高斯模糊核与像素点周围、位于预设高斯半径范围内的目标像素点的像素值的内积,以得到像素点对应的目标高斯模糊值。例如,可以按照如下公式(3)进行内积计算,以得到像素点对应的目标高斯模糊值。
其中,表示原始图像中像素点xi,j对应的目标高斯模糊值,Gi,j表示像素点xi,j对应的目标高斯模糊核,k表示预设模糊半径,γ(xi,j,k)表示像素点xi,j周围、位于预设高斯半径范围内的目标像素点。
在可能的方式中,目标高斯模糊核为包括多个高斯模糊核的矩阵,且该矩阵的行数和列数为预设高斯半径的数值。相应地,计算目标高斯模糊核与像素点周围、位于预设高斯半径范围内的目标像素点的像素值的内积可以是:将目标高斯模糊核对应的矩阵中的高斯模糊核与位于预设高斯半径范围内的目标像素点中对应位置的像素点的像素值相乘,以得到多个乘积结果,并将该多个乘积结果求和。
例如,参照图2所示的矩阵形式的目标高斯模糊核,可以确定原始图像中的像素点xi,j周围的8个像素点,得到包括该像素点xi,j在内的9个像素点,且该9个像素点以像素点xi,j为中心点进行3乘3的排列。因此,可以将3乘3排列的9个像素点的像素值与3乘3矩阵形式的目标高斯模糊核中对应位置的元素的数值相乘,以得到多个乘积结果,然后将该多个乘积结果求和,以得到像素点xi,j对应的目标高斯模糊值
通过上述方式,可以提供一种新的对抗样本生成方式,以通过像素级的图像模糊来生成对抗样本。相较于相关技术中基于向图像施加像素级的扰动来生成对抗样本的方式,本公开中的对抗样本生成方式可以提高对抗样本的攻击性,使得对抗样本可以绕过一些特定的防御方法,比如去噪模块的处理等,从而提高通过该对抗样本训练得到的图像处理模型对于对抗攻击的防御能力,更有效的针对其他类型对抗样本进行防御。此外,目标标准差图像中像素点的像素值表征的是用于确定原始图像中对应位置像素点的目标高斯模糊核的标准差,因此可以通过目标标准差图像控制高斯模糊图像的模糊程度,以满足不同场景下的对抗样本生成需求,提高该对抗样本生成方式的场景适用性。
基于同一发明构思,本公开还提供一种对抗样本生成装置,该装置可以通过软件、硬件或两者结合的方式成为电子设备的部分或全部。参照图3,该对抗样本生成装置300包括:
获取模块301,用于获取待生成对抗样本的原始图像;
第一确定模块302,用于确定与所述原始图像尺寸相同的目标标准差图像,并根据所述目标标准差图像和预设模糊半径,确定所述原始图像中每个像素点对应的目标高斯模糊核,其中所述标准差图像中像素点的像素值表征的是用于确定所述原始图像中对应位置像素点的目标高斯模糊核的标准差;
第二确定模块303,用于针对所述原始图像中每一像素点,根据所述目标高斯模糊核和所述像素点周围、位于所述预设模糊半径范围内的目标像素点,确定所述像素点对应的目标高斯模糊值,以得到所述原始图像对应的目标高斯模糊图像;
第三确定模块304,用于将所述目标高斯模糊图像作为所述原始图像对应的对抗样本。
可选地,所述第一确定模块302用于:
获取初始标准差图像,所述初始标准差图像中每个像素点的像素值为相同的预设像素值;
根据所述初始标准差图像确定所述原始图像中每个像素点对应的初始高斯模糊核,并针对所述原始图像中的每一像素点,根据所述像素点周围像素点的像素值和所述初始高斯模糊核,确定所述像素点对应的初始高斯模糊值,以得到所述原始图像对应的初始高斯模糊图像;
将所述初始高斯模糊图像输入图像处理模型中计算损失函数;
根据所述损失函数的计算结果更新所述初始标准差图像,以得到所述目标标准差图像。
可选地,所述第一确定模块302用于:
将所述损失函数的计算结果进行反向传播,并通过梯度上升的方式更新所述初始标准差图像,以得到所述目标标准差图像;或者
将所述损失函数的计算结果取负值后进行反向传播,并通过梯度下降的方式更新所述初始标准差图像,以得到所述目标标准差图像。
可选地,所述第一确定模块302用于:
针对所述原始图像中的每一像素点,执行以下处理:
在所述目标标准差图像中确定所述像素点对应的标准差;
根据所述预设高斯半径建立矩阵,并根据所述矩阵中每一元素的位置坐标值和所述像素点对应的所述标准差,确定所述像素点对应的目标高斯模糊核,其中所述矩阵的行数和列数为所述预设高斯半径的数值,所述矩阵的中心点元素为坐标原点。
可选地,所述第二确定模块303用于:
针对所述原始图像中的每一像素点,计算所述目标高斯模糊核与所述像素点周围、位于所述预设高斯半径范围内的目标像素点的像素值的内积,以得到所述像素点对应的目标高斯模糊值。
可选地,所述目标高斯模糊核为包括多个高斯模糊核的矩阵,且所述矩阵的行数和列数为所述预设高斯半径的数值,所述第二确定模块303用于:
将所述目标高斯模糊核对应的所述矩阵中的高斯模糊核与位于所述预设高斯半径范围内的目标像素点中对应位置的像素点的像素值相乘,以得到多个乘积结果,并将所述多个乘积结果求和。
可选地,所述图像处理模型包括以下任一种图像处理模型:图像分类模型、深度伪造检测模型、人脸识别模型。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
基于同一发明构思,本公开实施例还提供一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现上述任一对抗样本生成方法的步骤。
基于同一发明构思,本公开实施例还提供一种电子设备,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现上述任一对抗样本生成方法的步骤。
下面参考图4,其示出了适于用来实现本公开实施例的电子设备400的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示,电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常,以下装置可以连接至I/O接口405:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407;包括例如磁带、硬盘等的存储装置408;以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置409从网络上被下载和安装,或者从存储装置408被安装,或者从ROM 402被安装。在该计算机程序被处理装置401执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,可以利用诸如HTTP(HyperText Transfer Protocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取待生成对抗样本的原始图像;确定与所述原始图像尺寸相同的目标标准差图像,并根据所述目标标准差图像和预设模糊半径,确定所述原始图像中每个像素点对应的目标高斯模糊核,其中所述目标标准差图像中像素点的像素值表征的是用于确定所述原始图像中对应位置像素点的目标高斯模糊核的标准差;针对所述原始图像中每一像素点,根据所述目标高斯模糊核和所述像素点周围、位于所述预设模糊半径范围内的目标像素点,确定所述像素点对应的目标高斯模糊值,以得到所述原始图像对应的目标高斯模糊图像;将所述目标高斯模糊图像作为所述原始图像对应的对抗样本。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该模块本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例,示例1提供了一种对抗样本生成方法,所述方法包括:
获取待生成对抗样本的原始图像;
确定与所述原始图像尺寸相同的目标标准差图像,并根据所述目标标准差图像和预设模糊半径,确定所述原始图像中每个像素点对应的目标高斯模糊核,其中所述目标标准差图像中像素点的像素值表征的是用于确定所述原始图像中对应位置像素点的目标高斯模糊核的标准差;
针对所述原始图像中每一像素点,根据所述目标高斯模糊核和所述像素点周围、位于所述预设模糊半径范围内的目标像素点,确定所述像素点对应的目标高斯模糊值,以得到所述原始图像对应的目标高斯模糊图像;
将所述目标高斯模糊图像作为所述原始图像对应的对抗样本。
根据本公开的一个或多个实施例,示例2提供了示例1的方法,所述确定与所述原始图像尺寸相同的目标标准差图像,包括:
获取初始标准差图像,所述初始标准差图像中每个像素点的像素值为相同的预设像素值;
根据所述初始标准差图像确定所述原始图像中每个像素点对应的初始高斯模糊核,并针对所述原始图像中的每一像素点,根据所述像素点周围像素点的像素值和所述初始高斯模糊核,确定所述像素点对应的初始高斯模糊值,以得到所述原始图像对应的初始高斯模糊图像;
将所述初始高斯模糊图像输入图像处理模型中计算损失函数;
根据所述损失函数的计算结果更新所述初始标准差图像,以得到所述目标标准差图像。
根据本公开的一个或多个实施例,示例3提供了示例2的方法,所述根据所述损失函数的计算结果更新所述初始标准差图像,以得到所述目标标准差图像,包括:
将所述损失函数的计算结果进行反向传播,并通过梯度上升的方式更新所述初始标准差图像,以得到所述目标标准差图像;或者
将所述损失函数的计算结果取负值后进行反向传播,并通过梯度下降的方式更新所述初始标准差图像,以得到所述目标标准差图像。
根据本公开的一个或多个实施例,示例4提供了示例1-3中的任一方法,所述根据所述目标标准差图像和预设模糊半径,确定所述原始图像中每个像素点对应的目标高斯模糊核,包括:
针对所述原始图像中的每一像素点,执行以下处理:
在所述目标标准差图像中确定所述像素点对应的标准差;
根据所述预设高斯半径建立矩阵,并根据所述矩阵中每一元素的位置坐标值和所述像素点对应的所述标准差,确定所述像素点对应的目标高斯模糊核,其中所述矩阵的行数和列数为所述预设高斯半径的数值,所述矩阵的中心点元素为坐标原点。
根据本公开的一个或多个实施例,示例5提供了示例1-3中的任一方法,所述针对所述原始图像中每一像素点,根据所述目标高斯模糊核和所述像素点周围、位于所述预设高斯半径范围内的目标像素点,确定所述像素点对应的目标高斯模糊值,包括:
针对所述原始图像中的每一像素点,计算所述目标高斯模糊核与所述像素点周围、位于所述预设高斯半径范围内的目标像素点的像素值的内积,以得到所述像素点对应的目标高斯模糊值。
根据本公开的一个或多个实施例,示例6提供了示例5的方法,所述目标高斯模糊核为包括多个高斯模糊核的矩阵,且所述矩阵的行数和列数为所述预设高斯半径的数值,所述计算所述目标高斯模糊核与所述像素点周围、位于所述预设高斯半径范围内的目标像素点的像素值的内积,包括:
将所述目标高斯模糊核对应的所述矩阵中的高斯模糊核与位于所述预设高斯半径范围内的目标像素点中对应位置的像素点的像素值相乘,以得到多个乘积结果,并将所述多个乘积结果求和。
根据本公开的一个或多个实施例,示例7提供了示例2或3的方法,所述图像处理模型包括以下任一种图像处理模型:图像分类模型、深度伪造检测模型、人脸识别模型。
根据本公开的一个或多个实施例,示例8提供了一种对抗样本生成装置,所述装置包括:
获取模块,用于获取待生成对抗样本的原始图像;
第一确定模块,用于确定与所述原始图像尺寸相同的目标标准差图像,并根据所述目标标准差图像和预设模糊半径,确定所述原始图像中每个像素点对应的目标高斯模糊核,其中所述标准差图像中像素点的像素值表征的是用于确定所述原始图像中对应位置像素点的目标高斯模糊核的标准差;
第二确定模块,用于针对所述原始图像中每一像素点,根据所述目标高斯模糊核和所述像素点周围、位于所述预设模糊半径范围内的目标像素点,确定所述像素点对应的目标高斯模糊值,以得到所述原始图像对应的目标高斯模糊图像;
第三确定模块,用于将所述目标高斯模糊图像作为所述原始图像对应的对抗样本。
根据本公开的一个或多个实施例,示例9提供了示例8的装置,所述第一确定模块用于:
获取初始标准差图像,所述初始标准差图像中每个像素点的像素值为相同的预设像素值;
根据所述初始标准差图像确定所述原始图像中每个像素点对应的初始高斯模糊核,并针对所述原始图像中的每一像素点,根据所述像素点周围像素点的像素值和所述初始高斯模糊核,确定所述像素点对应的初始高斯模糊值,以得到所述原始图像对应的初始高斯模糊图像;
将所述初始高斯模糊图像输入图像处理模型中计算损失函数;
根据所述损失函数的计算结果更新所述初始标准差图像,以得到所述目标标准差图像。
根据本公开的一个或多个实施例,示例10提供了示例9的装置,所述第一确定模块用于:
将所述损失函数的计算结果进行反向传播,并通过梯度上升的方式更新所述初始标准差图像,以得到所述目标标准差图像;或者
将所述损失函数的计算结果取负值后进行反向传播,并通过梯度下降的方式更新所述初始标准差图像,以得到所述目标标准差图像。
根据本公开的一个或多个实施例,示例11提供了示例8-10中的任一装置,所述第一确定模块用于:
针对所述原始图像中的每一像素点,执行以下处理:
在所述目标标准差图像中确定所述像素点对应的标准差;
根据所述预设高斯半径建立矩阵,并根据所述矩阵中每一元素的位置坐标值和所述像素点对应的所述标准差,确定所述像素点对应的目标高斯模糊核,其中所述矩阵的行数和列数为所述预设高斯半径的数值,所述矩阵的中心点元素为坐标原点。
根据本公开的一个或多个实施例,示例12提供了示例8-10中的任一装置,所述第二确定模块用于:
针对所述原始图像中的每一像素点,计算所述目标高斯模糊核与所述像素点周围、位于所述预设高斯半径范围内的目标像素点的像素值的内积,以得到所述像素点对应的目标高斯模糊值。
根据本公开的一个或多个实施例,示例13提供了示例12的装置,所述目标高斯模糊核为包括多个高斯模糊核的矩阵,且所述矩阵的行数和列数为所述预设高斯半径的数值,所述第二确定模块用于:
将所述目标高斯模糊核对应的所述矩阵中的高斯模糊核与位于所述预设高斯半径范围内的目标像素点中对应位置的像素点的像素值相乘,以得到多个乘积结果,并将所述多个乘积结果求和。
根据本公开的一个或多个实施例,示例14提供了示例9或10的装置,所述图像处理模型包括以下任一种图像处理模型:图像分类模型、深度伪造检测模型、人脸识别模型。
根据本公开的一个或多个实施例,示例15提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现示例1-7任一项所述方法的步骤。
根据本公开的一个或多个实施例,示例16提供了一种电子设备,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现示例1-7任一项所述方法的步骤。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
Claims (10)
1.一种对抗样本生成方法,其特征在于,所述方法包括:
获取待生成对抗样本的原始图像;
确定与所述原始图像尺寸相同的目标标准差图像,并根据所述目标标准差图像和预设模糊半径,确定所述原始图像中每个像素点对应的目标高斯模糊核,其中所述目标标准差图像中像素点的像素值表征的是用于确定所述原始图像中对应位置像素点的目标高斯模糊核的标准差;
针对所述原始图像中的每一像素点,根据所述目标高斯模糊核和所述像素点周围、位于所述预设模糊半径范围内的目标像素点,确定所述像素点对应的目标高斯模糊值,以得到所述原始图像对应的目标高斯模糊图像;
将所述目标高斯模糊图像作为所述原始图像对应的对抗样本。
2.根据权利要求1所述的方法,其特征在于,所述确定与所述原始图像尺寸相同的目标标准差图像,包括:
获取初始标准差图像,所述初始标准差图像中每个像素点的像素值为相同的预设像素值;
根据所述初始标准差图像确定所述原始图像中每个像素点对应的初始高斯模糊核,并针对所述原始图像中每一像素点,根据所述像素点周围像素点的像素值和所述初始高斯模糊核,确定所述像素点对应的初始高斯模糊值,以得到所述原始图像对应的初始高斯模糊图像;
将所述初始高斯模糊图像输入图像处理模型中计算损失函数;
根据所述损失函数的计算结果更新所述初始标准差图像,以得到所述目标标准差图像。
3.根据权利要求2所述的方法,其特征在于,所述根据所述损失函数的计算结果更新所述初始标准差图像,以得到所述目标标准差图像,包括:
将所述损失函数的计算结果进行反向传播,并通过梯度上升的方式更新所述初始标准差图像,以得到所述目标标准差图像;或者
将所述损失函数的计算结果取负值后进行反向传播,并通过梯度下降的方式更新所述初始标准差图像,以得到所述目标标准差图像。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述根据所述目标标准差图像和预设模糊半径,确定所述原始图像中每个像素点对应的目标高斯模糊核,包括:
针对所述原始图像中的每一像素点,执行以下处理:
在所述目标标准差图像中确定所述像素点对应的标准差;
根据所述预设高斯半径建立矩阵,并根据所述矩阵中每一元素的位置坐标值和所述像素点对应的所述标准差,确定所述像素点对应的目标高斯模糊核,其中所述矩阵的行数和列数为所述预设高斯半径的数值,所述矩阵的中心点元素为坐标原点。
5.根据权利要求1-3任一项所述的方法,其特征在于,所述针对所述原始图像中的每一像素点,根据所述目标高斯模糊核和所述像素点周围、位于所述预设高斯半径范围内的目标像素点,确定所述像素点对应的目标高斯模糊值,包括:
针对所述原始图像中的每一像素点,计算所述目标高斯模糊核与所述像素点周围、位于所述预设高斯半径范围内的目标像素点的像素值的内积,以得到所述像素点对应的目标高斯模糊值。
6.根据权利要求5所述的方法,其特征在于,所述目标高斯模糊核为包括多个高斯模糊核的矩阵,且所述矩阵的行数和列数为所述预设高斯半径的数值,所述计算所述目标高斯模糊核与所述像素点周围、位于所述预设高斯半径范围内的目标像素点的像素值的内积,包括:
将所述目标高斯模糊核对应的所述矩阵中的高斯模糊核与位于所述预设高斯半径范围内的目标像素点中对应位置的像素点的像素值相乘,以得到多个乘积结果,并将所述多个乘积结果求和。
7.根据权利要求2或3所述的方法,其特征在于,所述图像处理模型包括以下任一种图像处理模型:图像分类模型、深度伪造检测模型、人脸识别模型。
8.一种对抗样本生成装置,其特征在于,所述装置包括:
获取模块,用于获取待生成对抗样本的原始图像;
第一确定模块,用于确定与所述原始图像尺寸相同的目标标准差图像,并根据所述目标标准差图像和预设模糊半径,确定所述原始图像中每个像素点对应的目标高斯模糊核,其中所述标准差图像中像素点的像素值表征的是用于确定所述原始图像中对应位置像素点的目标高斯模糊核的标准差;
第二确定模块,用于针对所述原始图像中每一像素点,根据所述目标高斯模糊核和所述像素点周围、位于所述预设模糊半径范围内的目标像素点,确定所述像素点对应的目标高斯模糊值,以得到所述原始图像对应的目标高斯模糊图像;
第三确定模块,用于将所述目标高斯模糊图像作为所述原始图像对应的对抗样本。
9.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理装置执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备,其特征在于,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110097206.0A CN112766190B (zh) | 2021-01-25 | 2021-01-25 | 对抗样本生成方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110097206.0A CN112766190B (zh) | 2021-01-25 | 2021-01-25 | 对抗样本生成方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112766190A true CN112766190A (zh) | 2021-05-07 |
CN112766190B CN112766190B (zh) | 2023-05-16 |
Family
ID=75707148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110097206.0A Active CN112766190B (zh) | 2021-01-25 | 2021-01-25 | 对抗样本生成方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766190B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117557626A (zh) * | 2024-01-12 | 2024-02-13 | 泰安大陆医疗器械有限公司 | 一种气雾喷雾器喷头安装辅助定位方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100201798A1 (en) * | 2009-02-06 | 2010-08-12 | Robert Bosch Gmbh | depth-aware blur kernel estimation method for iris deblurring |
WO2017100971A1 (zh) * | 2015-12-14 | 2017-06-22 | 北京大学深圳研究生院 | 一种失焦模糊图像的去模糊方法和装置 |
CN107767332A (zh) * | 2017-10-23 | 2018-03-06 | 合肥师范学院 | 一种实时单幅图像深度恢复方法和*** |
CN109102476A (zh) * | 2018-08-28 | 2018-12-28 | 北京理工大学 | 一种基于弥散圆拟合的多光谱图像散焦模糊核估计方法 |
CN109493284A (zh) * | 2018-09-11 | 2019-03-19 | 华中科技大学 | 一种使用非精确模糊核的显微图像自适应重建方法 |
CN111462019A (zh) * | 2020-04-20 | 2020-07-28 | 武汉大学 | 基于深度神经网络参数估计的图像去模糊方法及*** |
-
2021
- 2021-01-25 CN CN202110097206.0A patent/CN112766190B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100201798A1 (en) * | 2009-02-06 | 2010-08-12 | Robert Bosch Gmbh | depth-aware blur kernel estimation method for iris deblurring |
WO2017100971A1 (zh) * | 2015-12-14 | 2017-06-22 | 北京大学深圳研究生院 | 一种失焦模糊图像的去模糊方法和装置 |
CN107767332A (zh) * | 2017-10-23 | 2018-03-06 | 合肥师范学院 | 一种实时单幅图像深度恢复方法和*** |
CN109102476A (zh) * | 2018-08-28 | 2018-12-28 | 北京理工大学 | 一种基于弥散圆拟合的多光谱图像散焦模糊核估计方法 |
CN109493284A (zh) * | 2018-09-11 | 2019-03-19 | 华中科技大学 | 一种使用非精确模糊核的显微图像自适应重建方法 |
CN111462019A (zh) * | 2020-04-20 | 2020-07-28 | 武汉大学 | 基于深度神经网络参数估计的图像去模糊方法及*** |
Non-Patent Citations (1)
Title |
---|
王晓红 等: "《基于深度强化学习的图像去模糊方法》", 《包装工程》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117557626A (zh) * | 2024-01-12 | 2024-02-13 | 泰安大陆医疗器械有限公司 | 一种气雾喷雾器喷头安装辅助定位方法 |
CN117557626B (zh) * | 2024-01-12 | 2024-04-05 | 泰安大陆医疗器械有限公司 | 一种气雾喷雾器喷头安装辅助定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112766190B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112766189B (zh) | 深度伪造检测方法、装置、存储介质及电子设备 | |
CN109816589B (zh) | 用于生成漫画风格转换模型的方法和装置 | |
CN109829432B (zh) | 用于生成信息的方法和装置 | |
CN110059623B (zh) | 用于生成信息的方法和装置 | |
CN112419179B (zh) | 修复图像的方法、装置、设备和计算机可读介质 | |
CN111783777B (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
CN118097157B (zh) | 基于模糊聚类算法的图像分割方法及*** | |
CN115272182B (zh) | 车道线检测方法、装置、电子设备和计算机可读介质 | |
CN113190872A (zh) | 数据保护方法、网络结构训练方法、装置、介质及设备 | |
CN112800276A (zh) | 视频封面确定方法、装置、介质及设备 | |
CN112766190B (zh) | 对抗样本生成方法、装置、存储介质及电子设备 | |
CN111915532B (zh) | 图像追踪方法、装置、电子设备及计算机可读介质 | |
CN111967584A (zh) | 生成对抗样本的方法、装置、电子设备及计算机存储介质 | |
CN115546766B (zh) | 车道线生成方法、装置、电子设备和计算机可读介质 | |
CN114495176B (zh) | 组织图像的识别方法、装置、可读介质和电子设备 | |
CN115326079A (zh) | 车辆车道级定位方法、装置、设备和计算机可读介质 | |
CN112418233B (zh) | 图像处理方法、装置、可读介质及电子设备 | |
CN110209851B (zh) | 模型训练方法、装置、电子设备及存储介质 | |
CN113642510A (zh) | 目标检测方法、装置、设备和计算机可读介质 | |
CN113255812A (zh) | 视频边框检测方法、装置和电子设备 | |
CN112926539A (zh) | 图像处理方法、装置和电子设备 | |
CN113919476A (zh) | 一种图像处理方法、装置、电子设备以及存储介质 | |
CN112215789B (zh) | 图像去雾方法、装置、设备和计算机可读介质 | |
CN116596813A (zh) | 基于对图像进行破坏处理的图像数据增强方法及装置 | |
CN111582376A (zh) | 神经网络的可视化方法、装置、电子设备和介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |