本發明涉及深度學習技術，尤其涉及一種船舶紋理生成面積受限下的對抗樣本生成方法。

背景技術：

1、艦載無人機、水面無人艇等設備可以通過搭載的基于深度學習的目標檢測模型分析由視覺系統采集的目標圖像，迅速定位目標并實施精準打擊。而水面船舶由于體積大、機動速度慢、目標特征明顯，很容易成為被探測和識別而被打擊的目標。研究發現，對抗樣本攻擊能夠通過添加特殊擾動的方式誘導基于深度神經網絡的目標檢測模型輸出錯誤結果，以避免被檢測定位。

技術實現思路

1、本發明要解決的技術問題在于針對現有技術中的缺陷，提供一種船舶紋理生成面積受限下的對抗樣本生成方法。

2、本發明解決其技術問題所采用的技術方案是：一種船舶紋理生成面積受限下的對抗樣本生成方法，包括以下步驟：

3、1)通過預設的深度學習模型，對包含目標船舶的圖像，進行目標檢測；

4、2)提取深度卷積層特征圖作為分析對象；提取模型最深層的卷積層的特征圖作為分析對象；

5、3)卷積層的第k個特征圖為ak，計算第k個特征圖的權重系數；

6、計算類別得分相對于特征圖的梯度，假設輸入圖片x的真實標簽為c，模型將輸入圖片的類別判決為c的類別分數定義為fc(x)，卷積層的第k個特征圖為ak，第k個特征圖中(i,j)位置處的像素值為fc(x)對于的梯度就代表特征圖ak中所有位置像素點值對于類別分數的貢獻程度，接著對梯度進行歸一化處理，就得到了第k個特征圖的權重系數：

7、

8、4)構建grad-cam熱力圖；

9、對特征圖進行加權求和得到模型對于某一張輸入圖片的grad-cam，用relu對累加結果進行非線性變換，丟棄所有負值梯度；

10、

11、其中，為最終的熱力圖，為每張特征圖的權重；

12、5)根據每一幅grad-cam像素值的最大值設置判決閾值，根據閾值對做二值化處理，就可得到具有強判決性特征區域的位置信息；

13、通過設立一個超參數δ，結合每一幅grad-cam的最大值設置閾值θ的大小，如式：

14、

15、的初始設定值為0.5；

16、6)在具有強判決性特征區域的位置設置對抗紋理形成對抗樣本；

17、7)以二值化處理后的作為掩碼，與步驟6)生成的對抗樣本進行疊加，得到最終的對抗樣本：

18、

19、其中，表示矩陣的hadamard積運算，ε為對抗紋理樣本，ε'為疊加后的對抗樣本。

20、按上述方案，所述步驟6)中，對抗紋理為基于泰森多邊形的對抗迷彩圖案。

21、按上述方案，所述對抗迷彩圖案生成的方法如下：

22、使用泰森多邊形生成由幾種迷彩顏色組成的多邊形；通過顏色采樣的方式對多邊形的邊緣進行破碎化處理。

23、按上述方案，所述對抗迷彩圖案生成的方法如下：

24、6.1)使用可微函數對泰森多邊形進行近似，得到近似泰森多邊形；

25、6.2)設迷彩圖案使用nc種不同的迷彩顏色，包括np個控制點，：

26、

27、對每一種顏色，其在二維平面上的坐標表示為

28、對二維紋理上的每個像素點x，其顏色為ck的概率如式：

29、

30、其中，

31、表示如下：

32、

33、其中，參數α代表近似泰森多邊形的平滑半徑；

34、通過優化控制點的坐標{bij}，用上述公式計算得到nc×h×w大小的概率分布圖

35、6.3)按照概率分布圖給迷彩圖案上色。

36、按上述方案，所述步驟6.3)中，根據顏色概率分布給像素x上色，

37、

38、其中，c(x)為像素x的顏色，gi為gumbel隨機變量，為像素x顏色為ci的概率分布，τ是溫度參數；

39、gi＝-log(-logu)。

40、按上述方案，所述步驟6.3)中，根據顏色概率分布給像素x上色，

41、

42、其中，c(x)為像素x的顏色，gi'為改進的gumbel隨機變量，為像素x顏色為ci的概率分布，τ是溫度參數；

43、

44、其中，為擬合變量，在優化過程中保持不變，而是可優化的變量，超參數λ控制了可優化變量的比例。

45、按上述方案，所述步驟6)中，打印對抗紋理圖案時，采用引入結構相似度損失ssim對輸入的數字世界中的rgb值進行轉換。

46、本發明產生的有益效果是：

47、1、本發明通過尋找圖像中目標被探測的有效特征在物理空間中的位置，通過攻擊目標檢測有效特征的位置，可以在盡可能減少紋理的面積的情況下提高對抗攻擊的效果。

48、2、本發明提出了基于泰森多邊形的對抗迷彩生成方法來對抗補丁的視覺顯著性問題。

技術特征：

1.一種船舶紋理生成面積受限下的對抗樣本生成方法，其特征在于，包括以下步驟：

2.根據權利要求1所述的船舶紋理生成面積受限下的對抗樣本生成方法，其特征在于，計算類別得分相對于特征圖的梯度，假設輸入圖片x的真實標簽為c，模型將輸入圖片的類別判決為c的類別分數定義為fc(x)，卷積層的第k個特征圖為ak，第k個特征圖中(i,j)位置處的像素值為fc(x)對于的梯度就代表特征圖ak中所有位置像素點值對于類別分數的貢獻程度，接著對梯度進行歸一化處理，就得到了第k個特征圖的權重系數

3.根據權利要求1所述的船舶紋理生成面積受限下的對抗樣本生成方法，其特征在于，所述步驟5)中，判決閾值設置如下：

4.根據權利要求1所述的船舶紋理生成面積受限下的對抗樣本生成方法，其特征在于，所述步驟6)中，對抗紋理為基于泰森多邊形的對抗迷彩圖案。

5.根據權利要求4所述的船舶紋理生成面積受限下的對抗樣本生成方法，其特征在于，所述對抗迷彩圖案生成的方法如下：

6.根據權利要求1所述的船舶紋理生成面積受限下的對抗樣本生成方法，其特征在于，所述對抗迷彩圖案生成的方法如下：

7.根據權利要求6所述的船舶紋理生成面積受限下的對抗樣本生成方法，其特征在于，所述步驟6.3)中，根據顏色概率分布給像素x上色，

8.根據權利要求6所述的船舶紋理生成面積受限下的對抗樣本生成方法，其特征在于，所述步驟6.3)中，根據顏色概率分布給像素x上色，

9.一種電子設備，其特征在于，

10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至8任一項所述的方法。

技術總結
本發明公開了一種船舶紋理生成面積受限下的對抗樣本生成方法，包括以下步驟：1)通過預設的深度學習模型，對包含目標船舶的圖像，進行目標檢測；2)提取深度卷積層特征圖作為分析對象；3)卷積層的第k個特征圖為A<supgt;k</supgt;，計算第k個特征圖的權重系數a<subgt;k</subgt;<supgt;c</supgt;；4)構建Grad?CAM熱力圖；5)根據每一幅熱力圖像素值的最大值設置判決閾值，根據閾值對熱力圖做二值化處理，得到具有強判決性特征區域的位置信息；6)在具有強判決性特征區域的位置設置對抗紋理形成對抗樣本；7)以二值化處理后的熱力圖作為掩碼，與步驟6)生成的對抗樣本進行疊加，得到最終的對抗樣本。本發明可以在盡可能減少船舶紋理面積的情況下提高對抗攻擊的效果。

技術研發人員：羅威,可唯一,王觀軍,周嘉華,范慧麗,陶浩
受保護的技術使用者：中國艦船研究設計中心
技術研發日：
技術公布日：2025/4/24