[发明专利]一种基于深度学习用于源相机识别的合理对抗分析方法

权利要求书

1.一种基于深度学习用于源相机识别的合理对抗分析方法，其特征在于，步骤如下：

S1、采用耦合性编码的方式训练网络；

S2、使用神经网络引入了类似于复制粘贴方法的攻击模式；

S3、使用基于特征的联合自动学习攻击；

S4、基于噪声再训练方法的关系不匹配防御策略。

2.如权利要求1所述的基于深度学习用于源相机识别的合理对抗分析方法，其特征在于，步骤S1具体步骤如下：

T1、标记耦合性编码的标签，其中提取各个分类类别标签记为

B_label＝[1,…,1,0,…0,0,…,0]，

M_label＝[1,…,1,1,…1,0,…,0]，

D_label＝[1,…,1,1,…1,1,…,1]。

其中：B_label表示品牌目标标签，M_label表示型号目标标签，D_label表示个体目标标签；

T2、通过提取得到的特征使用全连接层生成类别标签：

conv_1,conv_2,conv_3＝Conv(Att)，

Label₁＝Softmax[FC(Conv_1)]

Label₂＝2×Softmax[FC(Conv_2)]-Label₁

Label₃＝3×Softmax[FC(Conv_3)]-Label₂-Label₁

其中：conv_1表示神经网络用于分类品牌的特征谱，conv_2表示用于分类品牌和型号的特征谱，conv_3表示用于分类品牌、型号和设备的特征谱，Att表示相关性特征以及相机属性信息，Label₁表示实际分类器分类得到的品牌标签Label₂表示型号标签，Label₃表示个体标签；

T3、对得到的类别标签构造代价函数：

Classify2(logits,label)＝-Sum(label×log(logits))

L_b＝Classify2[(Label₁),LabelB_label]

L_m＝Classify2[(Label₂),LabelM_label]

L_d＝Classify2[(Label₃),LabelD_label]

其中：L_b，L_m，L_d分别表示在实际标签的监督下，优化品牌、型号和个体的代价函数，Label表示实际标签，logits表示逻辑值。

3.如权利要求1所述的基于深度学习用于源相机识别的合理对抗分析方法，其特征在于，步骤S2中，复制粘贴的攻击方法步骤如下：

通过学习模式实施复制移动攻击，检测生成的相机指纹是否可以将性能泛化到到测试集，

min L_t→p＝L{C{x_t-N(x_t)+N(x_p)},p}+β·(||N(x_t)||₁+||N(x_p)||₁)

其中N(·)表示通过数据驱动形式优化的指纹学习网络，t和p表示相机类别，β是用于限制摄动程度的超参数，其默认值为0.4；

使用||N(x_t)||₁+||N(x_p)||₁来限制扰动程度；

采用批处理的方式提取指纹；

N(x_*)₀表示从输入中获取平均指纹，0表示批次的尺寸。