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

技术特征：
1.一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，其特征在于，包括如下步骤：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；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；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。2.根据权利要求1所述的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，其特征在于，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。3.根据权利要求2所述的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，其特征在于，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模型参数；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。4.根据权利要求3所述的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，其特征在于，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。5.根据权利要求1所述的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，其特征在于，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。6.根据权利要求1或5所述的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，其特征在于，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。7.根据权利要求1所述的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，其特征在于，所述的智能图像分类系统鲁棒性分数计算公式为：robustscore＝1-(e
a-e
o
)其中，e
o
为原始智能图像分类系统的对抗类别图像误分类率，e
a
为对抗智能图像分类系统的对抗类别图像误分类率。8.根据权利要求1所述的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，其特征在于，根据智能图像分类系统鲁棒性分数能够用于筛选最优的应用压缩感知算法的智能图像分类系统。

技术总结
本发明公开了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，属于人工智能领域。包括步骤1：采集原始图像数据并修改标签；步骤2：利用原始图像训练集和修改标签后的对抗图像训练集对待测试的智能图像分类系统进行训练；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；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。本发明旨在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。像分类系统中的安全应用提供指导。像分类系统中的安全应用提供指导。


技术研发人员：徐文渊 冀晓宇 程雨诗 陈艳姣 周勃阳
受保护的技术使用者：浙江大学
技术研发日：2022.01.21
技术公布日：2022/5/30