【技術實現步驟摘要】
本申請涉及數據處理，尤其涉及一種圖像的識別方法、裝置、電子設備及存儲介質。
技術介紹
1、生成對抗網絡(generative?adversarial?network，gan)已經在圖像生成、文本到圖像的轉換、風格遷移等多個領域展現出顯著的應用潛力。近年來，生成對抗網絡的概念被進一步擴展到對抗樣本的生成與防御中，成為提高機器學習模型安全性的關鍵技術之一。尤其是在圖像識別、自然語言處理和語音識別等領域，使用生成對抗網絡生成對抗樣本已成為測試和增強模型魯棒性的有效方法。
2、現有技術中，生成對抗網絡存在以下缺點：(1)依賴特定模型：很多現有對抗樣本生成技術依賴于對模型的內部結構和參數的了解，即白盒攻擊。這種依賴性使得這些技術在面對未知結構的模型(黑盒模型)時效果顯著下降。(2)功能單一：只能生成對抗樣本，而無法防御對抗樣本。生成對抗網絡的上述缺點導致應用生成對抗網絡的模型對圖像的處理并不準確。
技術實現思路
1、有鑒于此，本申請的目的在于提出一種圖像的識別方法、裝置、電子設備及存儲介質，以克服現有技術中全部或部分不足。
2、基于上述目的，本申請提供了一種圖像的識別方法，包括：獲取初始圖像；將所述初始圖像輸入至經過預先訓練的對抗模型，通過所述對抗模型對所述初始圖像進行第一計算處理，得到第一圖像，以及對所述初始圖像進行第二計算處理，得到第二圖像；對所述第一圖像進行特征提取，得到第一特征，以及對所述第二圖像進行特征提取，得到第二特征；基于所述第一特征和所述第二特征，通過
3、可選地，所述對所述初始圖像進行第一計算處理，得到第一圖像，包括：通過以下公式對所述初始圖像進行第一計算處理：z＝x+ε·sign(▽xj(x,ytrue)，其中，z為所述第一圖像，x為所述初始圖像，ε為噪聲添加強度的超參數，sign(·)表示符號函數，為生成器的損失函數相對所述初始圖像的梯度，ytrue為所述初始圖像對應的類別標簽。
4、可選地，所述對所述初始圖像進行第二計算處理，得到第二圖像，包括：向所述初始圖像添加噪聲，得到所述第二圖像。
5、可選地，所述基于所述第一特征和所述第二特征，通過所述對抗模型輸出所述初始圖像對應的圖像類別和所屬數據源地址，包括：對所述第一特征和所述第二特征進行拼接，得到拼接特征；對所述拼接特征進行特征提取，得到目標特征；通過所述對抗模型輸出所述目標特征對應的圖像類別和所屬數據源地址。
6、可選地，所述對抗模型中的判別器的損失函數通過下式確定，包括：其中，ld為所述判別器的損失函數，為所述判別器的對抗損失，為所述判別器的分類損失，p(·)為預測概率，z為所述第一圖像，x為所述初始圖像，real表示真實數據的標簽，fake表示假數據的標簽，為所述對抗模型中的生成器重建的初始圖像，為所述對抗模型中的生成器生成的第一圖像，s1表示所述判別器識別輸入圖像來源的輸出，對應的損失是c1表示所述判別器識別輸入圖像類別的輸出，對應的損失是c1表示所述判別器識別的輸入圖像類別，e表示期望；所述對抗模型中的生成器的損失函數通過下式確定，包括：其中，lge為所述生成器的損失函數，為所述生成器的對抗損失，為所述生成器的分類損失，lr為所述生成器的重建損失，p(·)為預測概率，z為所述第一圖像，x為所述初始圖像，real表示真實數據的標簽，fake表示假數據的標簽，為所述對抗模型中的生成器重建的初始圖像，為所述對抗模型中的生成器生成的第一圖像，s2表示所述生成器識別輸入圖像的輸出，對應的損失是c2表示所述生成器識別輸入圖像類別的輸出，對應的損失是c2表示所述生成器識別的輸入圖像類別，e表示期望。
7、可選地，對所述對抗模型中的判別器添加實例噪音。
8、可選地，在將所述初始圖像輸入至經過預先訓練的對抗模型之前，所述方法包括：對所述初始圖像進行預處理。
9、基于同一專利技術構思，本申請還提供了一種圖像的識別裝置，包括：獲取模塊，被配置為獲取初始圖像；計算處理模塊，被配置為將所述初始圖像輸入至經過預先訓練的對抗模型，通過所述對抗模型對所述初始圖像進行第一計算處理，得到第一圖像，以及對所述初始圖像進行第二計算處理，得到第二圖像；特征提取模塊，被配置為對所述第一圖像進行特征提取，得到第一特征，以及對所述第二圖像進行特征提取，得到第二特征；輸出模塊，被配置為基于所述第一特征和所述第二特征，通過所述對抗模型輸出所述初始圖像對應的圖像類別和所屬數據源地址。
10、可選地，所述計算處理模塊，還被配置為：通過以下公式對所述初始圖像進行第一計算處理：其中，z為所述第一圖像，x為所述初始圖像，ε為噪聲添加強度的超參數，sign(·)表示符號函數，為生成器的損失函數相對所述初始圖像的梯度，ytrue為所述初始圖像對應的類別標簽。
11、可選地，所述計算處理模塊，還被配置為：向所述初始圖像添加噪聲，得到所述第二圖像。
12、可選地，所述輸出模塊，還被配置為：對所述第一特征和所述第二特征進行拼接，得到拼接特征；對所述拼接特征進行特征提取，得到目標特征；通過所述對抗模型輸出所述目標特征對應的圖像類別和所屬數據源地址。
13、可選地，所述裝置還包括第一確定模塊，所述第一確定模塊被配置為：所述對抗模型中的判別器的損失函數通過下式確定：其中，ld為所述判別器的損失函數，為所述判別器的對抗損失，為所述判別器的分類損失，p(·)為預測概率，z為所述第一圖像，x為所述初始圖像，real表示真實數據的標簽，fake表示假數據的標簽，為所述對抗模型中的生成器重建的初始圖像，為所述對抗模型中的生成器生成的第一圖像，s1表示所述判別器識別輸入圖像來源的輸出，對應的損失是c1表示所述判別器識別輸入圖像類別的輸出，對應的損失是c1表示所述判別器識別的輸入圖像類別，e表示期望；所述裝置還包括第二確定模塊，所述第二確定模塊被配置為：所述對抗模型中的生成器的損失函數通過下式確定：其中，lge為所述生成器的損失函數，為所述生成器的對抗損失，為所述生成器的分類損失，lr為所述生成器的重建損失，p(·)為預測概率，z為所述第一圖像，x為所述初始圖像，real表示真實數據的標簽，fake表示假數據的標簽，為所述對抗模型中的生成器重建的初始圖像，為所述對抗模型中的生成器生成的第一圖像，s2表示所述生成器識別輸入圖像的輸出，對應的損失是c2表示所述生成器識別輸入圖像類別的輸出，對應的損失是c2表示所述生成器識別的輸入圖像類別，e表示期望。
14、可選地，所述裝置還包括添加模塊，所述添加模塊被配置為：對所述對抗模型中的判別器添加實例噪音。
15、可選地，在將所述初始圖像輸入至經過預先訓練的對抗模型之前，所述裝置還包括預處理模塊，所述預處理模塊被配置為：對所述初始圖像進行預處理。
16、基于同一專利技術構思，本申請還提供了一種電子設備，包括存儲器、處理器及存儲在所述存儲器上并可由所述本文檔來自技高網...
【技術保護點】
1.一種圖像的識別方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，所述對所述初始圖像進行第一計算處理，得到第一圖像，包括：
3.根據權利要求1所述的方法，其特征在于，所述對所述初始圖像進行第二計算處理，得到第二圖像，包括：
4.根據權利要求1所述的方法，其特征在于，所述基于所述第一特征和所述第二特征，通過所述對抗模型輸出所述初始圖像對應的圖像類別和所屬數據源地址，包括：
5.根據權利要求1所述的方法，其特征在于，
6.根據權利要求1所述的方法，其特征在于，對所述對抗模型中的判別器添加實例噪音。
7.根據權利要求1所述的方法，其特征在于，在將所述初始圖像輸入至經過預先訓練的對抗模型之前，所述方法包括：
8.一種圖像的識別裝置，其特征在于，包括：
9.根據權利要求8所述的裝置，其特征在于，所述計算處理模塊，還被配置為：
10.根據權利要求8所述的裝置，其特征在于，所述計算處理模塊，還被配置為：
11.根據權利要求8所述的裝置，其特征在于，所述輸出
12.根據權利要求8所述的裝置，其特征在于，
13.根據權利要求8所述的裝置，其特征在于，所述裝置還包括添加模塊，所述添加模塊被配置為：對所述對抗模型中的判別器添加實例噪音。
14.根據權利要求8所述的裝置，其特征在于，在將所述初始圖像輸入至經過預先訓練的對抗模型之前，所述裝置還包括預處理模塊，所述預處理模塊被配置為：
15.一種電子設備，包括存儲器、處理器及存儲在存儲器上并在處理器上運行的計算機程序，其特征在于，所述處理器執行所述程序時實現如權利要求1至7任意一項所述的方法。
16.一種非暫態計算機可讀存儲介質，所述非暫態計算機可讀存儲介質存儲計算機指令，其特征在于，所述計算機指令用于使計算機執行權利要求1至7任一所述方法。
...【技術特征摘要】
1.一種圖像的識別方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，所述對所述初始圖像進行第一計算處理，得到第一圖像，包括：
3.根據權利要求1所述的方法，其特征在于，所述對所述初始圖像進行第二計算處理，得到第二圖像，包括：
4.根據權利要求1所述的方法，其特征在于，所述基于所述第一特征和所述第二特征，通過所述對抗模型輸出所述初始圖像對應的圖像類別和所屬數據源地址，包括：
5.根據權利要求1所述的方法，其特征在于，
6.根據權利要求1所述的方法，其特征在于，對所述對抗模型中的判別器添加實例噪音。
7.根據權利要求1所述的方法，其特征在于，在將所述初始圖像輸入至經過預先訓練的對抗模型之前，所述方法包括：
8.一種圖像的識別裝置，其特征在于，包括：
9.根據權利要求8所述的裝置，其特征在于，所述計算處理模塊，還被配置為：
...
【專利技術屬性】
技術研發人員：王瑩，廖逍，崔蔚，王琰潔，王世林，孟祥亮，李治，王佳新，
申請(專利權)人：國網信息通信產業集團有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。