[发明专利]分类模型概率标签的重构方法、系统、装置及存储介质

说明书

本发明提供了一种分类模型输出概率标签重构方法、装置及存储介质。方法包括：将原始图像按照不同的分割尺度类型分割成不同大小的图像块，将所述不同的分割尺度类型下的图像块进行图像预处理，将经过所述图像预处理的不同的分割尺度类型下的图像块分别输入预设的黑盒模型，获得不同的分割尺度类型下的图像块对应的硬标签，确定所述不同的分割尺度类型下的图像块对应的硬标签的权重，计算加权和并归一化，确定所述原始图像的概率标签。可以将仅提供输入输出接口的神经网络分类模型的输出由硬标签恢复为概率标签，为下游的知识蒸馏任务和网络模型攻击等任务提供良好的数据基础。

技术领域

本文涉及图像分类领域，尤其涉及一种分类模型概率标签的重构方法、系统、装置及存储介质。

背景技术

目前，神经网络模型已经在图像分类、人脸识别、网络推荐、无人驾驶等领域应用的越来越广泛。为了保证数据和模型安全，越来越多的网络服务供应商选择以硬标签替代概率标签的做法，即以P＝[0,1,0,…0](图片所示类别为1，其他类别为0)来代替[p₁,p₂,p₃,…p_n]，并将所用的神经网络模型包装成一个黑盒模型，不对外公开模型内部参数，只提供一个输入输出接口。

相关技术中，对于黑盒模型，用户输入一张图片后，平台只返回这张图片的所属分类。因此，用户无法获得模型的内部信息，也无法获得该图片属于其他类别的概率。

发明内容

本发明实施例提供了一种分类模型输出概率标签的重构方法，可以在仅有一个黑盒模型和输入输出接口的前提下，以一张图片的硬标签为基础，重构一张图片的概率标签。以解决以上特殊情况下存在的问题。

为了解决上述技术问题，本发明是这样实现的：

第一方面，本发明实施例提供了一种分类模型输出概率标签的重构方法，所述方法包括：

将原始图像按照不同的分割尺度类型分割成不同大小的图像块；

将所述不同的分割尺度类型下的图像块进行图像预处理；

将经过所述图像预处理的不同的分割尺度类型下的图像块分别输入预设的黑盒模型，获得不同的分割尺度类型下的图像块对应的硬标签；

确定所述不同的分割尺度类型下的图像块对应的硬标签的权重，计算加权和并归一化，确定所述原始图像的概率标签。

可选地，所述将原始图像按照不同的分割尺度类型分割成不同大小的图像块包括：

确定用户的需求尺度，根据所述用户的需求尺度确定所述分割尺度的数量和类型；

根据所述分割尺度的数量和类型对所述原始图像进行分割，获得对应数量下的原始图像不同大小的图像块。

可选地，所述确定所述不同的分割尺度下的图像块对应的硬标签的权重包括：

根据所述不同的分割尺度下的图像块与原始图像的面积的比值，确定所述不同的分割尺度下的图像块的权重。

可选地，所述确定所述不同的分割尺度下的图像块对应的硬标签的权重还包括：

根据所述不同的分割尺度下的图像块和真实概率标签建立训练数据集合，通过数据拟合确定不同的分割尺度下的图像块对应的硬标签的权重。

所述概率标签的计算公式为：

式中，P为原始图像的概率标签，Y_hard为原始图像的输出硬标签，a^j为第j个尺度下对应的硬标签的权重，为第j个尺度下第i个图像块对应的输出硬标签，m为分割尺度的数量。

第二方面，本发明实施例提供了一种分类模型输出概率标签的重构系统，所述系统包括：