一种面向压缩感知技术的智能图像分类系统鲁棒性量化分析方法

1.本发明涉及人工智能领域，特别是涉及一种面向压缩感知技术的智能图像分类系统鲁棒性量化分析方法。


背景技术：

2.如今智能图像分类系统已经广泛应用于诸如自动驾驶，人脸识别，辅助医疗等各个领域。但随着数据规模不断增大以及模型精度要求的不断提升，智能图像分类系统传输图像信号过程中所要求的带宽越来越大，图像信息获取过程中所要求的采样速率和处理速度的要求越来越高。压缩感知技术通过开发信号的稀疏特性，可以在远小于nyquist采样率的条件下算法完美重建信号，技术一经提出，就引起学术界和工业界的广泛关注。在智能图像分类系统中应用压缩感知技术是解决图像信号传输带宽要求以及图像信息获取过程中的采样速率与处理速度问题的一个新兴方向。但压缩感知技术作为智能图像分类系统中增加的预处理步骤，其存在本身增加了恶意攻击者对智能图像分类系统进行攻击时的攻击对象选择，降低了智能图像分类系统的鲁棒性。
3.因此，获得基于压缩感知技术的的智能图像分类系统的鲁棒性量化结果，对选择智能图像分类系统或者选择最优的压缩感知技术具备指导意义。


技术实现要素：

4.本发明的目的在于针对现有技术的不足，提供一种面向压缩感知技术的智能图像分类系统鲁棒性量化分析方法，可以将智能图像分类系统应用压缩感知技术前后的鲁棒性差异量化为鲁棒性分数，为压缩感知技术在智能图像分类系统中的安全应用提供指导。
5.本发明采用的技术方案是：
6.一种面向压缩感知技术的智能图像分类系统鲁棒性量化分析方法，包括如下步骤：
7.步骤1：采集原始图像数据集并划分为原始图像训练集和原始图像测试集；修改原始图像训练集的标签，将一个类别的图像标签修改为原始类别中的其他误导类别，将修改标签后的原始图像训练集作为对抗图像训练集；
8.步骤2：分别利用原始图像训练集和对抗图像训练集对待测试的智能图像分类系统进行训练，得到训练好的原始智能图像分类系统和对抗智能图像分类系统；所述的智能图像分类系统包括发射端、基于压缩感知算法的接收端和图像分类端；
9.步骤3：利用原始图像测试集对训练好的原始智能图像分类系统和对抗智能图像分类系统进行测试，分别统计对抗类别图像误分类率，计算智能图像分类系统鲁棒性分数，分数越高，系统鲁棒性越高。
10.进一步的，所述的智能图像分类系统中的发射端用于将原始图像数据通过采样矩阵进行降采样，得到压缩图像信号；接收端用于接收压缩图像信号并基于压缩感知算法进
行重建，得到重建图像信号；图像分类端用于对重建图像信号进行分类，完成图像分类任务。
11.进一步的，所述的压缩感知算法包括依赖数学推导的压缩感知算法、以及基于深度学习的压缩感知算法；在步骤2的训练过程中，针对依赖数学推导的压缩感知算法，仅修改发射端中的采样矩阵参数；针对基于深度学习的压缩感知算法，同时修改发射端中的采样模型参数和接收端中的压缩感知算法参数。
12.进一步的，步骤2中对待测试的智能图像分类系统进行训练时，利用压缩感知算法输出的重建图像信号与原始图像数据计算重建损失，并利用图像分类端输出的分类结果与图像标签计算交叉熵损失，将重建损失和交叉熵损失的加权结果作为总损失，通过梯度下降法更新发射端和接收端中的系统参数。
13.进一步的，重复步骤1和步骤2中的对抗图像训练集构建步骤和对抗智能图像分类系统训练步骤，在构建对抗图像训练集时，分别遍历原始图像数据集中的所有类别的图像，得到对应每一种类别的对抗智能图像分类系统，再根据步骤3计算每一类别下的对抗类别图像误分类率用于计算智能图像分类系统鲁棒性分数，取平均鲁棒性分数作为最终得分。
14.进一步的，所述的对抗类别图像误分类率由属于对抗类别但被误分类为误导类别的图像总数除以属于对抗类别的图像总数得到。
15.进一步的，所述的智能图像分类系统鲁棒性分数计算公式为：
16.robustscore＝1-(e
a-eo)
17.其中，eo为原始智能图像分类系统的对抗类别图像误分类率，ea为对抗智能图像分类系统的对抗类别图像误分类率。
18.进一步的，所述的压缩感知算法包括omp、ista、admm、tip-csnet、deepinv和reconnet中的任意一种。
19.进一步的，智能图像分类系统鲁棒性分数能够用于筛选最优的智能图像分类系统。
20.本发明的有益效果是：
21.本发明针对目前缺乏方法量化评估压缩感知技术对智能图像分类系统鲁棒性影响的现状，提出了一种量化分析方法，该方法通过将智能图像分类系统应用压缩感知技术前后的鲁棒性差异量化为鲁棒性分数，为压缩感知技术在智能图像分类系统中的安全应用提供指导。
22.说明书附图
23.图1是本发明针对的智能图像分类系统的结构示意图。
24.图2是本发明提出的一种面向压缩感知技术的智能图像分类系统鲁棒性量化分析方法的流程示意图。
具体实施方式
25.以下是本发明的具体实施例并结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。
26.附图中所示的流程图仅是示例性说明，不是必须包括所有的步骤。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况
改变。
27.图1是本发明针对的智能图像分类系统的结构示意图。应用压缩感知技术的智能图像分类系统的基本结构由发送端、接收端和基于深度学习的下游图像分类任务模型组成。其中发送端将原始图像数据通过采样矩阵进行降采样，得到压缩图像信号，接收端用于接收发送端传输的压缩图像信号，并通过压缩感知算法进行图像重建，得到原始图像的还原图像，最后还原图像被送入基于深度学习的下游图像分类任务模型完成图像分类任务。
28.本发明针对该智能图像分类系统构建对抗图像训练集进行重训练，称为对抗压缩感知算法，其目标效果是可以将经由其预处理后的图像转化为智能图像分类系统中深度学习图像分类模型的对抗样本，使图像拥有诱导深度学习模型将对抗类别图像误分类为误导类别图像的能力。
29.本发明提出的一种面向压缩感知技术的智能图像分类系统鲁棒性量化分析方法，首先对原始数据集进行标签修改，将对抗类别的图像标签更改为误导类别的图像标签。训练对抗压缩感知算法时，应用压缩感知技术的智能图像分类系统结构不变，利用修改标签后的图像数据对智能图像分类系统中的发送端、接收端进行重训练。将智能图像分类系统重训练前后的鲁棒性差异量化为鲁棒性分数，为压缩感知技术在智能图像分类系统中的安全应用提供指导，分数越高表示应用压缩感知技术的系统鲁棒性越高，压缩感知技术给系统带来的脆弱性越小。
30.如图2所示，本发明的方法包括如下步骤：
31.步骤1：从原始图像数据集中随机选取一类图像作为对抗类别，在余下的图像类别中随机选取一类图像作为误导类别。对原始图像数据集进行修改，即，将对抗类别的图像标签修改为误导类别，从而得到对抗压缩感知算法的对抗图像训练集。本实施例中，原始图像数据集被分为原始图像训练集和原始图像测试集，修改图像标签的操作仅针对原始图像训练集。
32.步骤2：分别利用原始图像训练集和对抗图像训练集对待测试的智能图像分类系统进行训练，得到训练好的原始智能图像分类系统和对抗智能图像分类系统。
33.本实施例中，原始应用压缩感知技术的智能图像分类系统的结构不变，仅训练集发生变化，根据原始图像训练集训练得到原始智能图像分类系统，利用对抗图像训练集训练得到对抗智能图像分类系统，所述的智能图像分类系统的结构如图1所示，其中发送端的降采样矩阵和接收端中的压缩感知重建算法可以采用现有技术中的多种实现方式，本发明提出的鲁棒性量化针对的是一种具体的智能图像分类系统，也就是该系统中的降采样矩阵和压缩感知重建算法是一对确定的组合，本发明可以通过测试得到最优组合。
34.压缩感知重建算法一般分为三种类型，第一种是依赖数学推导的压缩感知算法，例如omp、ista、admm；第二种是基于深度学习的压缩感知算法，例如tip-csnet、deepinv和reconnet；第三种是模仿数学推导的，但实际上是基于深度学习的压缩感知算法，例如ista-net、admm-net。不同压缩感知算法的在训练过程中的参数更新对象是不同的。针对第一种压缩感知算法，参数训练更新的对象为发送端中的采样矩阵。针对第二种和第三种压缩感知算法，参数训练更新的对象为发送端中的采样模型、以及接收端中的压缩感知算法参数，也就是深度学习模型中每一层神经网络的参数。训练结束后得到的压缩感知算法称为对抗压缩感知算法。
35.训练过程会被重复n次以保证对抗压缩感知算法效果，n为可以依据对抗压缩感知算法的对抗效果进行调节的参数。在每一次的训练中，修改标签后的数据将被送入开放压缩感知算法参数更新权限的系统中，先经由压缩感知算法输出重建图像，再由基于深度学习的图像分类模型输出分类结果，最后优化器使用由压缩感知算法输出的重建图像计算得到的图像重建损失函数，以及由智能图像分类系统中的深度学习模型输出的分类结果计算得到的交叉熵损失函数，加权相加得出的模型总损失函数。
36.图像重建损失函数设计思想为：图像重建损失函数应反映出压缩感知算法所重建的图像与原始数据集中图像的差异大小以及压缩感知算法所重建的图像自身的平滑度。在本发明的一项具体实施中，图像重建损失函数由重建图像与原始图像的l1范数距离、数值1减去重建图像与原图像的结构相似性ssim的值、重建图像的平滑度损失函数tvloss组成三者的加权和组成，以上三个值可以通过乘以一个权重系数的方式来改变其对图像重建损失函数的影响力，采用梯度下降法更新压缩感知算法参数。
37.步骤3：利用原始图像测试集对训练好的原始智能图像分类系统和对抗智能图像分类系统进行测试，分别统计对抗类别图像误分类率，计算智能图像分类系统鲁棒性分数，分数越高，系统鲁棒性越高。
38.本实施例中，对抗类别图像误分类率由属于对抗类别但被误分类为误导类别的图像总数除以属于对抗类别的图像总数得到。鲁棒性分数的具体公式为：
39.robustscore＝1-(e
a-eo)
40.其中，eo为原始智能图像分类系统的对抗类别图像误分类率，ea为对抗智能图像分类系统的对抗类别图像误分类率。
41.步骤4：重复步骤1至步骤3，在构建对抗图像训练集时，分别遍历原始图像数据集中的所有类别的图像，得到对应每一种类别的对抗智能图像分类系统，再根据步骤3计算每一类别下的对抗类别图像误分类率用于计算智能图像分类系统鲁棒性分数，取平均鲁棒性分数作为最终得分。
42.对于一个固定数据集而言，重复次数越多，所得到的平均鲁棒性分数就越能体现当前系统的真实鲁棒性。平均鲁棒性分数越高表示应用压缩感知技术的系统鲁棒性越高，压缩感知技术给系统带来的脆弱性越小。
43.本发明针对上述提出的智能图像分类系统鲁棒性量化分析方法进行了验证，实验发现，第一种基于依赖数学推导的压缩感知算法的智能图像分类系统的鲁棒性分数最高，第二种基于深度学习的压缩感知算法的智能图像分类系统的鲁棒性分数最低，第三种基于模仿数学推导的，但实际上是基于深度学习的压缩感知算法的智能图像分类系统的鲁棒性分数介于前两者之间。本实施例设计测试集对三种类型的智能图像分类系统进行测试，与计算得到的鲁棒性分数相吻合，即，第一种误识别率最低，第二种误识别率最高，第三种误识别率介于前两者之间。
44.在本发明的智能图像分类系统鲁棒性量化分析方法可用于筛选最优的智能图像分类系统，或者从若干采样矩阵和若干压缩感知算法中挑选得到最优组合，为压缩感知技术在智能图像分类系统中的安全应用提供了指导。
45.以上列举的仅是本发明的具体实施例。显然，本发明不限于以上实施例，还可以有许多变形。本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形，
均应认为是本发明的保护范围。