[发明专利]一种基于在线迭代生成器的对抗防御方法及系统

说明书

本发明公开了一种基于在线迭代生成器的对抗防御方法及系统，该方法包括如下步骤：步骤S1，随机初始化生成器网络F的参数θ，并用0初始化与输入图像相同大小的合成图像；步骤S2，给定可能是对抗样本的输入图像，将其定义为参考图像I_z，将其输入至生成器网络模块，生成合成图像，并交替迭代更新网络参数和合成图像，最终获得去除对抗噪声且与原输入图像语义相同的合成图像，直到符合停止的条件，本发明可在有效地去除对抗噪声的同时，合成与输入图像具有相同语义图像以代替原有的输入图像。

技术领域

本发明涉及基于深度学习的计算机视觉技术领域，特别是涉及一种基于在线迭代生成器的对抗防御方法及系统。

背景技术

对抗防御问题旨在去除图像中的对抗噪声。近年来，深度学习方法在计算机视觉领域大放异彩，然而众所周知，深度学习模型对通过在真实图像上添加准可感知噪声而合成的对抗性样本非常敏感，因此，对抗防御问题凭借其广泛的应用前景及学科探索性，吸引了越来越多研究者的关注。

现有的防御方法可以被大致分为两类：一种方法是将防御作为预处理组件不需要访问、修改或重新训练被攻击的目标网络，这种方法对不同的目标网络具有可移植性，但这些方法往往依赖于图像去噪，难于消除对抗噪声；另一组方法需要访问或重新训练目标网络的参数，例如，对抗性训练方法需要获得对抗性攻击的知识，并且无法抵抗看不见的攻击类型，然而，这些方法在实际应用中是不切实际、低效的。

另外，Kuranki等人的工作Adversarial machine learning at scale(ICLR)还表明，单步攻击的对抗训练并不能赋予迭代对抗样本稳健性，Tramer等人于2018年的工作集合对抗训练Ensemble adversarial training:Attacks and defenses要求将训练集增加N×M次，设计和训练N个不同的目标网络，效率低下，其中，M是对抗训练中使用的不同已知对抗攻击的数量，Samangouei等人于2018年的研究工作Defense-gan:Protectingclassifiers against adversarial attacks using generative models(ICLR)使用生成模型保护分类器免受敌对攻击，由于具有大图像的训练GAN不稳定并且可能需要针对不同数据集调整网络架构，因此难以将Defense GAN转移到大图像上。

发明内容

为克服上述现有技术存在的不足，本发明之目的在于提供一种基于在线迭代生成器的对抗防御方法及系统，以在有效地去除对抗噪声的同时，合成与输入图像具有相同语义图像，以代替原有的输入图像。

为达上述目的，本发明提出一种基于在线迭代生成器的对抗防御方法，包括如下步骤：

步骤S1，随机初始化生成器网络F的参数θ，并用0初始化与输入图像相同大小的合成图像；

步骤S2，给定可能是对抗样本的输入图像，将其定义为参考图像I_z，将其输入至包含所述生成器网络F的生成器网络模块，生成合成图像，并交替迭代更新网络参数和合成图像，最终获得去除对抗噪声且与原输入图像语义相同的合成图像。

优选地，步骤S2进一步包括：

步骤S200，利用所述生成器网络F进行内迭代，利用生成器网络F近似能量函数，更新合成图像来最小化能量函数，以产生与所述参考图像I_z语义相同的、去除对抗噪声的新图像；

步骤S201，利用所述生成器网络F进行外迭代，沿最大化对数似然的方向训练生成器网络F的参数，更新网络参数以使合成图像逐渐靠近参考图像I_z；

步骤S202，多次迭代式地进行步骤S200-S201的训练过程，直到符合停止的条件。