[发明专利]一种用于图像处理的神经网络以及相关设备

说明书

本申请涉及人工智能领域中的图像处理技术，公开了一种用于图像处理的神经网络以及相关设备。方法包括：将对抗图像分别输入第一特征提取网络和第二特征提取网络，得到鲁棒表示和非鲁棒表示，将鲁棒表示和非鲁棒表示分别输入分类网络，得到分类网络输出的第一分类类别和第二分类类别；根据第一损失函数进行迭代训练，直至满足收敛条件，第一损失函数用于表示第一类别和与对抗图像对应的正确类别之间的相似度，且用于表示第二分类类别和与对抗图像对应的错误类别之间的相似度，既避免了鲁棒表示和非鲁棒表示混杂从而导致鲁棒性的降低，也能够同时保留鲁棒表示和非鲁棒表示，从而避免了准确率的降低，以同时提升神经网络的鲁棒性和准确率。

技术领域

本申请涉及人工智能领域，尤其涉及一种用于图像处理的神经网络以及相关设备。

背景技术

人工智能(Artificial Intelligence，AI)是利用计算机或者计算机控制的机器模拟、延伸和扩展人的智能。人工智能包括研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。目前，基于深度学习的神经网络进行图像处理是人工智能常见的一种应用方式。

尽管如今的神经网络已经具备极高的识别准确率，但研究者发现，在对输入的原始图像进行极其微小的扰动之后，就可以迷惑识别准确度很高的神经网络，使其识别准确率急剧下降，这种被扰动的图像，我们称之为对抗(adversarial)图像。

为了提高神经网络的鲁棒性，人们提出了对抗训练，也即将对抗图像和与对抗图像对应的正确标签加入训练数据集中对神经网络进行训练，从而提高了神经网络对对抗图像的鲁棒性，鲁棒性指的是神经网络对对抗图像仍能够准确识别。

但研究发现，随着神经网络处理对抗图像的鲁棒性的提高，神经网络处理原始图像的识别准确率不断降低，因此，需要一种同时能够提升鲁棒性和识别准确率的方案。

发明内容

本申请实施例提供了一种用于图像处理的神经网络以及相关设备，训练后的第一特征提取网络和训练后的第二特征提取网络能够分别提取输入图像中的鲁棒表示和非鲁棒表示，既避免了两者混杂从而导致鲁棒性的降低，也能够同时保留输入图像中的鲁棒表示和非鲁棒表示，从而避免了准确率的降低，以同时提升神经网络的鲁棒性和准确率。

为解决上述技术问题，本申请实施例提供以下技术方案：