-
公开(公告)号：CN116994315A
公开(公告)日：2023-11-03
申请号：CN202310871609.5
申请日：2023-07-17
申请人： 江南大学
IPC分类号： G06V40/16 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/094
摘要： 本发明公开了跨年龄人脸生成与识别的学习方法及系统，方法包括：获取人脸图像数据，从人脸图像数据中提取年龄特征；通过人脸识别模型中的生成器和鉴别器对人脸图像数据进行处理，鉴别器包括年龄鉴别器和身份鉴别器；生成器和年龄鉴别器进行对抗博弈，以获得人脸合成图像和鉴别力，并生成训练后的人脸识别模型；通过训练后的人脸识别模型将原始图像输入到编码器端，验证图像输入到鉴别器，进行人脸识别以及通过生成器完成跨年龄人脸生成。本发明利用了对抗网络结构，将其角度向量转化为年龄向量，并引入解纠缠表示学习的思想进行模型训练，实现对跨年龄人脸的准确识别，能够更好地解决跨年龄人脸识别的问题，提高识别的准确率和鲁棒性。
-
公开(公告)号：CN113537494B
公开(公告)日：2022-11-11
申请号：CN202110838268.2
申请日：2021-07-23
申请人： 江南大学
IPC分类号： G06N3/08 , G06N3/04 , G06N20/20 , G06V10/774 , G06V10/82 , G06V10/764
摘要： 本发明公开了一种基于黑盒场景的图像对抗样本生成方法，包括：将图片x输入至多个白盒模型，分别得出目标标签或真实标签的概率值；动态计算所述概率值对应白盒模型的权重；根据所述概率值与所述白盒模型的权重，得到集成模型的概率值；根据所述集成模型的概率值计算损失值，并进行反向传播；将所述反向传播后图片的梯度作为扰动图像，加入到对抗样本中；重复迭代，获取最终对抗样本。本发明方法能够在黑盒环境下取得更好的效果，后续深入分析了对抗样本的生成过程，进一步证实动态集成方法能够按照预期合理得调整各个模型的权重，并增强对抗样本的黑盒效果。
-
公开(公告)号：CN114610885A
公开(公告)日：2022-06-10
申请号：CN202210233023.1
申请日：2022-03-09
申请人： 江南大学
摘要： 本发明公开了一种文本分类后门攻击方法、系统、设备及计算机存储介质，包括利用干净训练集对预训练模型进行训练，得到干净模型，利用定位标签生成器生成伪标签数据集，利用所述伪标签数据集对Sequence‑to‑Sequence模型进行多任务训练，得到定位器模型，利用所述定位器模型生成后门数据集，利用所述后门数据集对所述干净模型训练，得到脏模型。本发明实现了利用预训练干净模型在无需人工标注的情况下生成为伪标签数据集；采用基于Sequence‑to‑Sequence与多任务学习架构的定位器模型，实现了无需人工干预即可动态预测文本序列中后门攻击位置，且动态选取攻击位置取得的性能指标更优异。
-
公开(公告)号：CN117392284A
公开(公告)日：2024-01-12
申请号：CN202311682269.8
申请日：2023-12-08
申请人： 江南大学
摘要： 本发明提供一种自适应条件增强的文本图像生成方法、系统、装置及介质，涉及文本‑图像生成技术领域，该方法包括采集文本信息，构建数据集；构建文本图像生成模型ACE‑GAN；将数据集输入到构建好的文本图像生成模型ACE‑GAN中，进行条件对抗性学习训练，得到训练好的文本图像生成模型ACE‑GAN；将文本信息输入到训练好的文本图像生成模型ACE‑GAN中，生成图像。本发明方法解决了单阶段生成网络中的跨模态信息交互性能较差，导致文本与生成图像之间的语义一致性较差的问题，提高了图像质量和多样性。
-
公开(公告)号：CN116168278A
公开(公告)日：2023-05-26
申请号：CN202211603192.6
申请日：2022-12-13
申请人： 江南大学
摘要： 本发明公开了一种基于卡方分布的对抗样本生成模型初始化方法包括：基于卡方分布获取一个维度和原始图像的大小相同的扰动，并对扰动进行标准化和缩小处理；通过将处理后的扰动添加到原始图像上，构建出具有初始化扰动的新图像；采用MI‑FGSM方法对深度神经网络模型进行攻击，实现对抗样本的攻击成功率的提升；本发明提供的方法能够有效地提高对抗样本的攻击成功率，相较于现有的方法，模型的精度有显著的下降；此外，本发明第一次探索初始扰动对对抗性例子生成的影响，综合分析了对抗扰动初始化方法的超参数，适当的初始化扰动有助于降低目标模型的识别精度。
-
-
公开(公告)号：CN113537494A
公开(公告)日：2021-10-22
申请号：CN202110838268.2
申请日：2021-07-23
申请人： 江南大学
摘要： 本发明公开了一种基于黑盒场景的图像对抗样本生成方法，包括：将图片x输入至多个白盒模型，分别得出目标标签或真实标签的概率值；动态计算所述概率值对应白盒模型的权重；根据所述概率值与所述白盒模型的权重，得到集成模型的概率值；根据所述集成模型的概率值计算损失值，并进行反向传播；将所述反向传播后图片的梯度作为扰动图像，加入到对抗样本中；重复迭代，获取最终对抗样本。本发明方法能够在黑盒环境下取得更好的效果，后续深入分析了对抗样本的生成过程，进一步证实动态集成方法能够按照预期合理得调整各个模型的权重，并增强对抗样本的黑盒效果。
-
公开(公告)号：CN117058020A
公开(公告)日：2023-11-14
申请号：CN202310947930.7
申请日：2023-07-31
申请人： 江南大学
摘要： 本发明公开了一种基于对抗性边缘学习重建的图像修复方法包括，准备数据集并且对数据集进行训练前的预处理；搭建模型，采用经典的生成式对抗网络，生成器和判别器进行对抗，并且将生成器的输出结果与输入图像进行残差相加，分别训练边缘模型，修补模型；设置模型训练约束；进行模型训练。本方法对于传统修复的图像中有明显的缺失与不自然痕迹有了改进，使得痕迹更加不明显，效果更令人满意。使用opencv做了简易的前端系统，并且使用python工具进行打包，使得在无环境配置，无编程经验的电脑上也能运行，解决传统的修复方法在细节的修复中有很大比例的缺失，修复痕迹较为明显，且如果涂抹的地方太小，效果更差，并且方法环境配置较为繁琐的问题。
-
公开(公告)号：CN114610885B
公开(公告)日：2022-11-08
申请号：CN202210233023.1
申请日：2022-03-09
申请人： 江南大学
摘要： 本发明公开了一种文本分类后门攻击方法、系统、设备及计算机存储介质，包括利用干净训练集对预训练模型进行训练，得到干净模型，利用定位标签生成器生成伪标签数据集，利用所述伪标签数据集对Sequence‑to‑Sequence模型进行多任务训练，得到定位器模型，利用所述定位器模型生成后门数据集，利用所述后门数据集对所述干净模型训练，得到脏模型。本发明实现了利用预训练干净模型在无需人工标注的情况下生成为伪标签数据集；采用基于Sequence‑to‑Sequence与多任务学习架构的定位器模型，实现了无需人工干预即可动态预测文本序列中后门攻击位置，且动态选取攻击位置取得的性能指标更优异。
-
-
-
-
-
-
-
-
搜索结果
9 条记录 (耗时 0.024 秒)
