[发明专利]一种基于内容感知GAN的对抗样本生成方法

权利要求书

1.一种基于内容感知GAN的对抗样本生成方法，其特征在于，包括：

A、基于WGAN_GP的生成对抗网络进行对抗样本的生成工作，通过使用两个不同目标的无监督训练阶段，正常训练阶段学习正常样本分布，对抗性训练部分学习对抗样本的分布，使GAN模型能够从随机噪声中学习对抗样本的分布，批量生成不受限的对抗样本，对目标模型进行对抗攻击；

B、正常训练部分：使用噪声z作为生成器输入，生成样本G(z)和真实样本x作为判别器输入，初始化生成器G和判别器D，使用WGAN_GP原始损失函数L_GAN作为目标函数，每轮训练完成后更新生成器G和判别器D的参数，获得学习到正常样本分布的生成器和判别器；

C、对抗性训练部分：在正常训练部分得到的生成器和判别器的基础上，使生成器能够从噪声z中学习到对抗样本的分布，在继续优化WGAN_GP损失L_GAN的前提下，新增加目标模型f、扰动评估部分以及特征提取网络N_feature，组成模型的对抗性训练结构，在生成对抗样本时保持内容特征尽可能不变；

D、通过内容特征约束来生成高质量的对抗样本，定义图像x和图像的内容特征x_content，基于CNN的特征提取能力，借助内容特征提取网络N_fe-ture对生成样本的语义信息进行约束，引入了新的样本质量约束损失函数L_content，改进基础攻击模型的对抗性训练流程，在不影响攻击效果的前提下提高对抗样本的质量，降低对人类的可感知程度。

2.根据权利要求1所述的基于内容感知GAN的对抗样本生成方法，其特征在于，步骤B进一步包括以下步骤：

B1、输入随机噪声z，真实样本x，生成器G从随机噪声z生成样本

B2、将B1得到的生成样本和真实样本x输入判别器D中，所述判别器D区分生成样本和真实样本x，得到判别器D的损失函数判别器D的损失函数具体为：

其中为梯度惩罚项,λ为梯度惩罚系数；

B3、更新梯度惩罚参数其中m为批次样本大小，α,β₁,β₂为Adam优化器超参数；

B4、选取批次样本大小m数量的随机噪声计算生成器损失L_G，生成器G损失的损失函数L_G具体为：

L_G＝-D_ω(G_θ(z))；

B5、更新生成器参数直到生成器参数θ收敛，得到训练好的生成器。