[发明专利]模型防御方法、装置、设备与计算机可读存储介质

权利要求书

1.一种模型防御方法，其特征在于，所述模型防御方法包括如下步骤：

在接收到待预测图像时，根据所述待预测图像，确定目标模板图像集合；

对所述目标模板图像集合和所述待预测图像进行特征量化和重建处理，得到输入图像集合；

将所述输入图像集合输入深度学习模型中，以得到预测结果。

2.如权利要求1所述的模型防御方法，其特征在于，所述根据所述待预测图像，确定目标模板图像集合的步骤包括：

将模板图像库中的每个模板图像分别与所述待预测图像进行融合，得到融合图像集合；

将所述待预测图像输入分类模型，得到第一向量，并将所述融合图像集合中的每个融合图像输入所述分类模型，得到第二向量集合；

根据所述第一向量和所述第二向量集合，在所述模板图像库中确定目标模板图像集合。

3.如权利要求2所述的模型防御方法，其特征在于，所述根据所述第一向量和所述第二向量集合，在所述模板图像库中确定目标模板图像集合的步骤包括：

根据所述第一向量和所述第二向量集合计算出向量距离集合，并对所述向量距离集合中的每个向量距离进行排序，得到排序结果；

根据所述排序结果，在所述模板图像库中确定目标模板图像集合。

4.如权利要求1中所述的模型防御方法，其特征在于，所述对所述目标模板图像集合和所述待预测图像进行特征量化和重建处理，得到输入图像集合的步骤包括：

将所述目标模板图像集合中的每个目标模板图像和所述待预测图像进行配对，并输入特征提取模块，得到特征提取结果；

将所述特征提取结果输入注意力权重模块，得到注意力权重集合，并将所述注意力权重集合和所述特征提取结果输入动态量化模块，得到量化结果；

将所述量化结果输入归一化模块，得到归一化结果，并将所述归一化结果输入解码重建模块进行重建处理，得到输入图像集合。

5.如权利要求4所述的模型防御方法，其特征在于，所述将所述注意力权重集合和所述特征提取结果输入动态量化模块，得到量化结果的步骤包括：

将所述注意力权重集合和所述特征提取结果输入动态量化模块，通过所述动态量化模块根据所述特征提取结果，确定像素点集合；

通过所述动态量化模块根据所述特征提取结果、所述像素点集合和所述注意力权重集合，得到量化结果。

6.如权利要求1所述的模型防御方法，其特征在于，所述在接收到待预测图像时，根据所述待预测图像，确定目标模板图像集合的步骤之前，所述模型防御方法包括：

获取训练图像集合，根据所述训练图像集合和模板图像集合，生成目标训练图像集合，根据所述目标训练图像集合进行模型训练，得到深度学习预模型；

获取目标验证图像集合，根据所述目标验证图像集合对所述深度学习预模型进行验证，并根据验证结果确定深度学习模型。

7.如权利要求6所述的模型防御方法，其特征在于，所述根据所述目标验证图像集合对所述深度学习预模型进行验证，并根据验证结果确定深度学习模型的步骤包括：

将所述目标验证图像集合输入深度学习预模型，得到预测结果集合，并根据预测结果集合确定预测准确率；

将所述预测准确率与准确率阈值进行对比，得到对比结果，并根据所述对比结果确定深度学习模型。

8.一种模型防御装置，其特征在于，所述模型防御装置包括：

接收模块，用于在接收到待预测图像时，根据所述待预测图像，确定目标模板图像集合；

确定模块，用于对所述目标模板图像集合和所述待预测图像进行特征量化和重建处理，得到输入图像集合；

输入模块，用于将所述输入图像集合输入深度学习模型中，以得到预测结果。

9.一种模型防御设备，其特征在于，所述模型防御设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的模型防御程序，所述模型防御程序被所述处理器执行时实现如权利要求1至7中任一项所述的模型防御方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有模型防御程序，所述模型防御程序被处理器执行时实现如权利要求1至7中任一项所述的模型防御方法的步骤。