[发明专利]基于深度学习的非线性光学加密系统攻击方法在审
| 申请号： | 202110577652.1 | 申请日： | 2021-05-26 |
| 公开（公告）号： | CN113313775A | 公开（公告）日： | 2021-08-27 |
| 发明（设计）人： | 汪小刚;魏浩宇 | 申请（专利权）人： | 浙江科技学院 |
| 主分类号： | G06T9/00 | 分类号： | G06T9/00;G06N3/04;G06N3/08;H04N1/44 |
| 代理公司： | 杭州万合知识产权代理事务所(特殊普通合伙) 33294 | 代理人： | 丁海华;万珠明 |
| 地址： | 310012 浙*** | 国省代码： | 浙江;33 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 基于 深度 学习 非线性 光学 加密 系统 攻击 方法 | ||
1.基于深度学习的非线性光学加密系统攻击方法，其特征在于：包括以下步骤:
a、构建神经网络：基于Unet模型，通过在Unet模型的下采样稠密块和上采样稠密块之间引入跳跃连接，得到具有编码器和解码器结构的DenseNet网络；
b、DenseNet网络训练：获取明文图像和对应的密文图像得到数据集，将密文图像输入至DenseNet网络，首先对密文图像进行卷积和池化操作，再通过编码器提取特征映射，使输入到编码器的密文图像的维数在输出时减少一半，得到特征图；再利用解码器执行像素级回归操作，使得特征图经解码器后输出与密文图像尺寸相同的输出图像；
c、DenseNet网络优化：将输出图像与原始明文图像进行比对，并利用损失函数判断输出图像是否与对应明文图像近似，如果不近似，则继续利用数据集优化DenseNet网络中的各个参数，直到输出图像与对应明文图像近似，完成DenseNet网络优化；
d、利用步骤c中优化后的DenseNet网络进行非线性光学加密系统攻击。
2.根据权利要求1所述的基于深度学习的非线性光学加密系统攻击方法，其特征在于：所述编码器包括六个连续的下采样稠密块，每个下采样稠密块由四个复合卷积层组成，并且每层都以前馈方式跳跃连接到同一模块内的另一复合卷积层，每个复合卷积层执行三个连续的批量归一化、激活函数ReLu和卷积核为3×3的卷积操作；所述下采样稠密还执行包括步长为2的平均池化操作。
3.根据权利要求1所述的基于深度学习的非线性光学加密系统攻击方法，其特征在于：所述解码器包括六个上采样稠密块，上采样稠密块使得输入的特征图维数增加两倍。
4.根据权利要求1所述的基于深度学习的非线性光学加密系统攻击方法，其特征在于：步骤c中，选择均方误差函数为损失函数，其计算表达式为
其中，n代表被预测明文图像的像素点数，Yi代表真实值，代表神经网络的输出值。
5.根据权利要求1所述的基于深度学习的非线性光学加密系统攻击方法，其特征在于：步骤b中,在DenseNet网络训练过程中采用Dropout正则化技术，用于抑制过拟合现象。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于浙江科技学院，未经浙江科技学院许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/202110577652.1/1.html，转载请声明来源钻瓜专利网。
