本發(fā)明屬于深度學(xué)習(xí)對(duì)抗攻擊，尤其涉及一種無錨框模型類梯度全局對(duì)抗樣本生成方法、系統(tǒng)及設(shè)備。

背景技術(shù)：

1、目前，現(xiàn)有對(duì)抗攻擊算法大多是以錨框或以單張圖片為單位，在泛化性能上受到錨框超參數(shù)、圖片類型、目標(biāo)大小及數(shù)量等因素一定程度的制約。近期的研究表明，moosavi-dezfooli等人根據(jù)數(shù)據(jù)集內(nèi)多張圖片構(gòu)建了一個(gè)針對(duì)圖像分類問題的通用對(duì)抗攻擊算法uap，通過該算法生成的對(duì)抗樣本具有通用性及較強(qiáng)的泛化性能。通用性體現(xiàn)在算法無需為每張輸入圖像計(jì)算特定擾動(dòng)，而是通過該算法的計(jì)算最終僅僅形成一張通用擾動(dòng)，該通用擾動(dòng)能夠?qū)φ麄€(gè)目標(biāo)數(shù)據(jù)集形成有效擾動(dòng)。該擾動(dòng)的存在揭示了視覺領(lǐng)域網(wǎng)絡(luò)結(jié)構(gòu)中普遍的線性特征及相同的類目標(biāo)之間存在相似性。hendrik?metzen?j等人在其基礎(chǔ)上將此類通用對(duì)抗樣本算法成功遷移到了語義分割（semantic?segmentation）問題上。該算法的成功應(yīng)用表明了該類通用對(duì)抗樣本不僅存在于較為簡單的計(jì)算機(jī)視覺任務(wù)中，例如圖像分類，更為復(fù)雜的視覺任務(wù)也有相似的缺陷。該通用對(duì)抗算法在實(shí)驗(yàn)中體現(xiàn)出的高泛化性，甚至對(duì)整個(gè)數(shù)據(jù)集的大量數(shù)據(jù)形成有效影響，其對(duì)于各類深度神經(jīng)網(wǎng)絡(luò)模型的危害是極為嚴(yán)重的?，F(xiàn)有的對(duì)于此類通用對(duì)抗樣本的研究較少，且都存在于圖像分類、語義分割任務(wù)，在其他重要計(jì)算機(jī)視覺任務(wù)比如目標(biāo)檢測、人體姿態(tài)估計(jì)中尚未得到較高的關(guān)注，故而對(duì)抗防御難以采用較為有效的策略防御此類對(duì)抗樣本，?通用對(duì)抗樣本的相關(guān)研究亟待開展。

2、現(xiàn)有技術(shù)一：

3、傳統(tǒng)的對(duì)抗樣本生成方法主要基于單一的輸入圖像進(jìn)行局部的對(duì)抗擾動(dòng)。這種方法主要通過計(jì)算輸入圖像與目標(biāo)類別的梯度差，然后對(duì)圖像進(jìn)行微小的修改來生成對(duì)抗樣本。這種方法的主要目標(biāo)是使得修改后的圖像能夠誤導(dǎo)模型的分類結(jié)果，而不會(huì)引起人類視覺的注意。

4、現(xiàn)有技術(shù)二：

5、另一種現(xiàn)有的攻擊方法是通過利用深度學(xué)習(xí)模型的內(nèi)部信息來生成對(duì)抗樣本。這種方法主要通過在模型的隱藏層中添加擾動(dòng)來生成對(duì)抗樣本，而不是直接在輸入圖像上添加擾動(dòng)。這種方法的主要目標(biāo)是通過修改模型的內(nèi)部表示來誤導(dǎo)模型的輸出結(jié)果。

6、現(xiàn)有技術(shù)存在的技術(shù)問題：

7、（1）對(duì)抗樣本的泛化能力不強(qiáng)：?傳統(tǒng)的對(duì)抗樣本生成方法主要基于單一的輸入圖像進(jìn)行局部的對(duì)抗擾動(dòng)，這樣生成的對(duì)抗樣本對(duì)特定的輸入圖像有效，但在其它輸入圖像上無效。這限制了這種方法的泛化能力。

8、（2）對(duì)抗樣本的生成效率低：?利用深度學(xué)習(xí)模型的內(nèi)部信息來生成對(duì)抗樣本的方法，需要對(duì)模型進(jìn)行多次的前向和后向傳播，以計(jì)算隱藏層的梯度。這種方法的計(jì)算復(fù)雜度高，導(dǎo)致生成對(duì)抗樣本的效率低。

9、（3）擾動(dòng)性能的影響：?直接疊加擾動(dòng)會(huì)影響擾動(dòng)性能，因?yàn)檫@會(huì)導(dǎo)致部分?jǐn)_動(dòng)被抵消或者增強(qiáng)，從而影響對(duì)抗樣本的有效性。

10、（4）針對(duì)性不強(qiáng)：?傳統(tǒng)的對(duì)抗樣本生成方法往往忽視了輸入圖像中目標(biāo)類別間的聯(lián)系與區(qū)別，這會(huì)降低對(duì)抗樣本的攻擊效果。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)存在的問題，本發(fā)明提供了一種無錨框模型類梯度全局對(duì)抗樣本生成方法、系統(tǒng)及設(shè)備。

2、本發(fā)明是這樣實(shí)現(xiàn)的，一種應(yīng)用于無錨框模型的全局對(duì)抗樣本生成系統(tǒng)，該系統(tǒng)包括：

3、一個(gè)梯度收集模塊，配置為對(duì)輸入圖像中指定的目標(biāo)類別執(zhí)行梯度收集操作，其中梯度收集是基于目標(biāo)類別的，利用公式?\(?g_c?=?\frac{1}{n}?\sum_{i=1}^{n}?\nabla?l(f(x_i),?y_i)?\)?來計(jì)算，其中?\(?g_c?\)?表示類梯度，\(?n?\)?是該類別中目標(biāo)的數(shù)量，\(?\nabla?l?\)?是損失函數(shù)對(duì)輸入?\(?x_i?\)?的梯度，\(?f(x_i)?\)?是模型對(duì)?\(?x_i?\)?的預(yù)測，\(?y_i?\)?是?\(?x_i?\)?的真實(shí)標(biāo)簽；

4、和一個(gè)擾動(dòng)生成模塊，配置為基于收集到的梯度和經(jīng)典對(duì)抗算法生成圖像尺度的對(duì)抗擾動(dòng)，進(jìn)而形成針對(duì)整個(gè)數(shù)據(jù)集的通用擾動(dòng)，公式為?\(?\delta?=?\epsilon?\cdotsign(g_c)?\)，其中?\(?\delta?\)?是生成的擾動(dòng)，\(?\epsilon?\)?是擾動(dòng)強(qiáng)度，\(?sign(g_c)?\)?是梯度方向；

5、所述梯度收集模塊：

6、梯度收集模塊原理可以歸納為以下數(shù)學(xué)約束性優(yōu)化問題，表達(dá)為下式：

7、；

8、；

9、；

10、如公式所示，其中是人為設(shè)計(jì)的擾動(dòng)，是最小化的范數(shù)類型，可以為，函數(shù)表示目標(biāo)檢測器檢測到的物體類別；和分別表示干凈圖像和受干擾的圖像；表示擾動(dòng)能達(dá)到的最大和最小像素值范圍；

11、在此基礎(chǔ)上有兩種產(chǎn)生擾動(dòng)的方式來實(shí)現(xiàn)類別不相容；第一種方法是攻擊每個(gè)對(duì)象所處的類別；更確切地說，是對(duì)屬于一個(gè)類別的所有物體進(jìn)行一次攻擊，收集梯度后將類別中所有的的梯度相加；第二種方式是攻擊圖像實(shí)體本身，使所有物體類別都被判斷錯(cuò)誤；由于同一類的目標(biāo)在梯度上存在近似特點(diǎn)，第一種產(chǎn)生擾動(dòng)的方式比后者更有效，故所以選擇以類為單位收集梯度的方式，將上述束性優(yōu)化問題轉(zhuǎn)化為：

12、；

13、；

14、如上述公式所示，其中是單張圖像中所有屬于類且的特定目標(biāo)，為centernet模型檢測到所有目標(biāo)所屬的類別；由于centernet的檢測結(jié)果依賴于檢測到的關(guān)鍵點(diǎn)keypoint及偏移量offset，且偏移量offset是對(duì)centernet預(yù)測目標(biāo)關(guān)鍵點(diǎn)的進(jìn)一步微小矯正，考慮到偏移量offset對(duì)centernet目標(biāo)關(guān)鍵點(diǎn)的貢獻(xiàn)遠(yuǎn)低于關(guān)鍵點(diǎn)keypoint,故將對(duì)抗攻擊集中攻擊檢測到的關(guān)鍵點(diǎn)來欺騙檢測器；因此可以將上述約束性優(yōu)化問題表達(dá)式轉(zhuǎn)化為：

15、；

16、；

17、；

18、如公式所示，其中為目標(biāo)檢測器centernet的檢測結(jié)果，為centernet檢測到單張圖像中所有目標(biāo)所屬的類別；為檢測到目標(biāo)類別所對(duì)應(yīng)的所有目標(biāo)的關(guān)鍵點(diǎn)，為其中屬于類別的目標(biāo)的關(guān)鍵點(diǎn)，對(duì)于每個(gè)檢測到類別為的關(guān)鍵點(diǎn)都有；進(jìn)而在上式中，目標(biāo)轉(zhuǎn)變?yōu)閷ふ业揭粋€(gè)合適的擾動(dòng)向量，在滿足最小化范數(shù)的基礎(chǔ)上，使得對(duì)所有屬于第類的關(guān)鍵點(diǎn)所代表的目標(biāo)，都有；

19、所述擾動(dòng)生成模塊：

20、通過梯度收集模塊收集到類梯度后，需要選擇適當(dāng)?shù)幕谧钚』稊?shù)的典型對(duì)抗攻擊算法生成輸入圖像的擾動(dòng)；fgsm和pgd是兩種典型的最小化范數(shù)的攻擊方法；fgsm為單步擾動(dòng)攻擊，算法通過損失函數(shù)計(jì)算輸入圖像的梯度，利用梯度的符號(hào)作為方向和擾動(dòng)強(qiáng)度來產(chǎn)生對(duì)抗擾動(dòng)；pgd算法是fgsm的迭代版本，其多步計(jì)算當(dāng)前梯度并在每個(gè)迭代步中對(duì)擾動(dòng)方向進(jìn)行調(diào)整，該算法可以表示為。

21、所述系統(tǒng)進(jìn)一步包括：一個(gè)擾動(dòng)應(yīng)用模塊，配置為將生成的通用擾動(dòng)?\(?\delta\)?應(yīng)用到數(shù)據(jù)集中的每個(gè)圖像上，以形成對(duì)抗樣本集，其中對(duì)抗樣本?\(?x_{adv}?\)?通過公式?\(?x_{adv}?=?x?+?\delta?\)?生成，\(?x?\)?是原始圖像。該模塊還配置有反饋機(jī)制，用于評(píng)估生成的對(duì)抗樣本在人體姿態(tài)估計(jì)任務(wù)上的效果，并據(jù)此調(diào)整擾動(dòng)生成模塊中的參數(shù)，如擾動(dòng)強(qiáng)度?\(?\epsilon?\)?和梯度收集策略，以優(yōu)化對(duì)抗樣本的效果。

22、本發(fā)明提供的一種無錨框模型類梯度全局對(duì)抗樣本生成方法，所述無錨框模型類梯度全局對(duì)抗樣本生成方法利用輸入圖像中的目標(biāo)類，以類為單位收集類梯度，按照此方式進(jìn)行梯度收集可以利用類內(nèi)目標(biāo)梯度上的相似性，避免直接疊加擾動(dòng)對(duì)擾動(dòng)性能的影響，進(jìn)而生成圖片尺度擾動(dòng)；基于一定數(shù)量的圖像尺度擾動(dòng)形成針對(duì)人體姿態(tài)估計(jì)任務(wù)的全局?jǐn)_動(dòng)。

23、進(jìn)一步，所述無錨框模型類梯度全局對(duì)抗樣本生成方法，包括：

24、第一步，利用通用對(duì)抗樣本的高泛化特性，以單張輸入圖片中感興趣的目標(biāo)類為單位，快速收集梯度；

25、第二步，按照類為單位進(jìn)行梯度收集可以著重針對(duì)輸入圖像中目標(biāo)類別間的聯(lián)系與區(qū)別，通過一次性收集同一類別內(nèi)所有目標(biāo)的梯度，達(dá)到同時(shí)攻擊類內(nèi)目標(biāo)的目的；

26、第三步，基于現(xiàn)有經(jīng)典對(duì)抗算法形成圖像尺度的對(duì)抗擾動(dòng)，在此基礎(chǔ)上結(jié)合數(shù)據(jù)集中多張圖片及相應(yīng)圖像尺度擾動(dòng)形成針對(duì)整個(gè)數(shù)據(jù)集的通用擾動(dòng)。

27、進(jìn)一步，所述無錨框模型類梯度全局對(duì)抗樣本生成方法的無錨框模型采用centernet模型作為目標(biāo)網(wǎng)絡(luò)，centernet模型的輸入圖像滿足特征尺寸，其中為一個(gè)具有w寬度為和h高度的三通道輸入；經(jīng)過預(yù)測，得到結(jié)果為圖像目標(biāo)中心點(diǎn)熱圖，熱圖h表示為，其中是中心點(diǎn)的類別數(shù)量，是模型的降樣比例；在ms-coco數(shù)據(jù)集的姿態(tài)估計(jì)任務(wù)里，代表每個(gè)人體不同關(guān)節(jié)點(diǎn)的空間位置信息，而在ms-coco數(shù)據(jù)集中目標(biāo)檢測任務(wù)里，代表著數(shù)據(jù)集中有80類感興趣的目標(biāo)類；在預(yù)測過程中，當(dāng)預(yù)測值時(shí)，它代表著一個(gè)被檢測到第c類的目標(biāo)前景中心點(diǎn)，而當(dāng)時(shí)，代表著檢測到一個(gè)不感興趣的背景點(diǎn)；centernet模型訓(xùn)練時(shí)使用一個(gè)組合代價(jià)函數(shù):，其代價(jià)函數(shù)分為三個(gè)部分，其中訓(xùn)練目標(biāo)是帶懲罰的像素級(jí)邏輯回歸，是對(duì)目標(biāo)的尺寸進(jìn)行回歸，形式是一個(gè)范數(shù)正則項(xiàng)，引入了一個(gè)額外的范數(shù)形式的目標(biāo)中心點(diǎn)誤差偏置項(xiàng)，通過三個(gè)部分代價(jià)的有機(jī)結(jié)合最終完成各類視覺任務(wù)的預(yù)測；

28、centernet人體姿態(tài)預(yù)測包括兩個(gè)步驟：首先，模型會(huì)直接預(yù)測人類目標(biāo)的中心點(diǎn)，再估計(jì)一個(gè)回歸偏移量，其中偏移量可以表示為形式，從而可以得到單階段預(yù)測結(jié)果為，；同時(shí)，模型會(huì)按照目標(biāo)檢測任務(wù)的模式對(duì)輸入圖像中人類關(guān)節(jié)進(jìn)行關(guān)節(jié)點(diǎn)的多目標(biāo)預(yù)測；與第一階段不同的是每個(gè)關(guān)節(jié)點(diǎn)都為不同類別中心點(diǎn)，共計(jì)個(gè)類別；最后網(wǎng)絡(luò)會(huì)對(duì)初步預(yù)測結(jié)果進(jìn)行矯正，將首步回歸到的關(guān)節(jié)點(diǎn)與第二次預(yù)測中第類的目標(biāo)進(jìn)行結(jié)合。

29、進(jìn)一步，步驟一：將對(duì)抗攻擊問題歸納為通用約束性優(yōu)化表達(dá)形式，如下式所示；

30、(1)

31、(2)

32、(3)

33、在上式中，是優(yōu)化范數(shù)類型，在集合中選擇，函數(shù)表示目標(biāo)檢測器的檢測結(jié)果，和代表原有圖像和擾動(dòng)樣本，?優(yōu)化目標(biāo)是通過添加對(duì)抗擾動(dòng)后，模型對(duì)對(duì)抗樣本的檢測結(jié)果與原有圖像出現(xiàn)差異；

34、步驟二：算法的目標(biāo)是計(jì)算通用擾動(dòng)，其參與通用擾動(dòng)的數(shù)據(jù)圖像為并滿足，其中為具有某個(gè)一定分布的數(shù)據(jù)集，原問題轉(zhuǎn)化為以下約束性優(yōu)化表達(dá)式，表示為：

35、(4)

36、(5)

37、式中為滿足一定約束條件的概率值，為受通用擾動(dòng)干擾下模型推斷正確率，表達(dá)式表示為在目標(biāo)數(shù)據(jù)集中，受到通用擾動(dòng)影響下模型判斷的錯(cuò)誤率為；

38、步驟三：收集數(shù)據(jù)集中輸入圖像類梯度的方式來產(chǎn)生擾動(dòng)，網(wǎng)絡(luò)模型的檢測結(jié)果依賴于檢測到的中心點(diǎn)keypoint及偏移量offset，對(duì)抗擾動(dòng)將采用同時(shí)擾動(dòng)中心點(diǎn)及偏移量來形成綜合擾動(dòng)，將上述表達(dá)式束問題轉(zhuǎn)化為：

39、(6)

40、(7)

41、(8)

42、式中為輸入圖像中屬于類關(guān)節(jié)的包含檢測到相應(yīng)的中心點(diǎn)keypoint及偏移量offset的人體關(guān)節(jié)目標(biāo)，為網(wǎng)絡(luò)模型的檢測結(jié)果，為檢測器檢測到輸入圖像中所有目標(biāo)類別；

43、步驟四：迭代得到對(duì)抗樣本中的擾動(dòng)，公式中r所示，方法為首先需要針對(duì)單張圖像生成圖像尺度的對(duì)抗擾動(dòng)；

44、步驟五：進(jìn)而將類圖像尺度進(jìn)行規(guī)范化，并疊加收集到的類擾動(dòng)，得到圖片尺度擾動(dòng)，相關(guān)表達(dá)式所示為：

45、(11)

46、(12)

47、式中表示pgd算法中迭代計(jì)算擾動(dòng)的最大迭代次數(shù)，分別表示擾動(dòng)的總步長和單步步長，有；

48、步驟六：在此得到圖像尺度擾動(dòng)基礎(chǔ)上通過數(shù)據(jù)集中多張圖片形成對(duì)整個(gè)數(shù)據(jù)集的通用擾動(dòng)。

49、進(jìn)一步，所述步驟四具體方法為采用對(duì)抗性能較穩(wěn)定的迭代式最小化范數(shù)的pgd算法來計(jì)算擾動(dòng)，每次算法會(huì)按照網(wǎng)絡(luò)模型檢測到的圖像中的類別，按照類別進(jìn)行梯度收集，在姿態(tài)估計(jì)任務(wù)中輸入圖像中目標(biāo)表現(xiàn)為個(gè)人類關(guān)節(jié)的中心點(diǎn)，首先需要根據(jù)檢測結(jié)果按照類別進(jìn)行分類，計(jì)算同一類別總損失并反傳至輸入圖像計(jì)算類梯度，如下式：

50、(9)

51、(10)

52、式中為收集到的屬于類的類損失，為屬于類的人體關(guān)節(jié)中心點(diǎn)。為通過模型反向傳播得到的類圖像尺度擾動(dòng)。

53、進(jìn)一步，所述步驟六首先收集數(shù)據(jù)集中隨機(jī)參與通用擾動(dòng)生成數(shù)據(jù)的所有圖片尺度擾動(dòng)并疊加得到，將擾動(dòng)投影到半徑為擾動(dòng)步長的球上，相關(guān)算法如下式所示：

54、(13)

55、(14)

56、式中表示參與通用對(duì)抗樣本生成的數(shù)據(jù)總數(shù)，其參與生成通用擾動(dòng)的數(shù)據(jù)總量為，且，代表收集數(shù)據(jù)集中隨機(jī)參與通用擾動(dòng)生成數(shù)據(jù)的所有圖片尺度擾動(dòng)之和，代表最終的通用擾動(dòng)，通用擾動(dòng)充分參考了參與生成通用擾動(dòng)的所有圖片尺度擾動(dòng)，并且在擾動(dòng)強(qiáng)度上滿足。

57、本發(fā)明的另一目的在于提供一種計(jì)算機(jī)設(shè)備，所述計(jì)算機(jī)設(shè)備包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被所述處理器執(zhí)行時(shí)，使得所述處理器執(zhí)行所述無錨框模型類梯度全局對(duì)抗樣本生成方法。

58、本發(fā)明的另一目的在于提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)，使得所述處理器執(zhí)行所述無錨框模型類梯度全局對(duì)抗樣本生成方法。

59、本發(fā)明的另一目的在于提供一種信息數(shù)據(jù)處理終端，所述信息數(shù)據(jù)處理終端用于實(shí)現(xiàn)所述無錨框模型類梯度全局對(duì)抗樣本生成方法。

60、本發(fā)明的另一目的在于提供一種基于所述無錨框模型類梯度全局對(duì)抗樣本生成方法的無錨框模型類梯度全局對(duì)抗樣本生成系統(tǒng)，所述無錨框模型類梯度全局對(duì)抗樣本生成系統(tǒng)包括：

61、梯度收集模塊，用于利用通用對(duì)抗樣本的高泛化特性，以單張輸入圖片中感興趣的目標(biāo)類為單位，快速收集梯度；

62、類別間收集模塊，用于按照類為單位進(jìn)行梯度收集可以著重針對(duì)輸入圖像中目標(biāo)類別間的聯(lián)系與區(qū)別，通過一次性收集同一類別內(nèi)所有目標(biāo)的梯度，達(dá)到同時(shí)攻擊類內(nèi)目標(biāo)的目的；

63、通用擾動(dòng)形成模塊，用于基于現(xiàn)有經(jīng)典對(duì)抗算法形成圖像尺度的對(duì)抗擾動(dòng)，在此基礎(chǔ)上結(jié)合數(shù)據(jù)集中多張圖片及相應(yīng)圖像尺度擾動(dòng)形成針對(duì)整個(gè)數(shù)據(jù)集的通用擾動(dòng)。

64、結(jié)合上述的技術(shù)方案和解決的技術(shù)問題，本發(fā)明所要保護(hù)的技術(shù)方案所具備的優(yōu)點(diǎn)及積極效果為：

65、第一、本發(fā)明提出的對(duì)抗樣本算法揭示了深度神經(jīng)網(wǎng)絡(luò)模型決策超平面內(nèi)邊界間的高度線性化，對(duì)此類對(duì)抗樣本的研究可為深度神經(jīng)網(wǎng)絡(luò)抵御對(duì)抗樣本相關(guān)課題提供重要理論基礎(chǔ)和實(shí)踐支撐。

66、本發(fā)明以圖像中的目標(biāo)類為單位快速進(jìn)行類梯度收集，通過一次性融合同一類別內(nèi)所有目標(biāo)的梯度來體現(xiàn)類內(nèi)相似性與類間差異性。結(jié)合數(shù)據(jù)集中一定比例的圖像及對(duì)應(yīng)的圖片尺度擾動(dòng)生成全局?jǐn)_動(dòng)，通過上述過程突破模型候選框及圖片數(shù)量的制約。

67、本發(fā)明提出一種全局?jǐn)_動(dòng)對(duì)抗攻擊算法。首先利用輸入圖像中的目標(biāo)類，以類為單位收集類梯度，按照此方式進(jìn)行梯度收集可以利用類內(nèi)目標(biāo)梯度上的相似性，避免直接疊加擾動(dòng)對(duì)擾動(dòng)性能的影響，進(jìn)而生成圖片尺度擾動(dòng)。在此基礎(chǔ)上，基于一定數(shù)量的圖像尺度擾動(dòng)形成針對(duì)人體姿態(tài)估計(jì)任務(wù)的全局?jǐn)_動(dòng)，全局?jǐn)_動(dòng)克服了現(xiàn)有對(duì)抗擾動(dòng)生成方法基于圖片或基于后選框的缺點(diǎn)，可以針對(duì)大量數(shù)據(jù)形成有效的干擾，同時(shí)在推斷速度上基本達(dá)到實(shí)時(shí)攻擊的要求。實(shí)驗(yàn)結(jié)果驗(yàn)證了全局對(duì)抗擾動(dòng)算法的有效性。

68、第二，本發(fā)明提出的全局對(duì)抗樣本生成系統(tǒng)在無錨框模型應(yīng)用中顯著的技術(shù)進(jìn)步體現(xiàn)在以下幾個(gè)方面：

69、1）針對(duì)性梯度收集：系統(tǒng)通過一個(gè)梯度收集模塊，專門針對(duì)輸入圖像中特定的目標(biāo)類別執(zhí)行梯度收集。這種基于類別的梯度收集策略利用了類內(nèi)目標(biāo)在梯度上的相似性，有助于生成更具針對(duì)性和效率的對(duì)抗擾動(dòng)。這不僅提高了對(duì)抗樣本生成的效率，而且通過減少不必要的擾動(dòng)，提高了擾動(dòng)的隱蔽性。

70、2）圖像尺度對(duì)抗擾動(dòng)：擾動(dòng)生成模塊利用收集到的梯度和經(jīng)典對(duì)抗算法生成圖像尺度的對(duì)抗擾動(dòng)，這種方法不僅針對(duì)單個(gè)圖像有效，而且能夠針對(duì)整個(gè)數(shù)據(jù)集形成通用擾動(dòng)。這種全局性的擾動(dòng)生成方法提高了對(duì)抗樣本的通用性，使得生成的對(duì)抗樣本能夠有效地在不同的輸入圖像中引入誤導(dǎo)信息，增強(qiáng)了對(duì)抗攻擊的廣泛適用性。

71、3）動(dòng)態(tài)優(yōu)化反饋機(jī)制：系統(tǒng)包含一個(gè)擾動(dòng)應(yīng)用模塊，它不僅將生成的擾動(dòng)應(yīng)用到數(shù)據(jù)集中的每個(gè)圖像上，而且還配備了反饋機(jī)制。這個(gè)機(jī)制能夠評(píng)估對(duì)抗樣本在特定任務(wù)（如人體姿態(tài)估計(jì)）上的效果，并據(jù)此調(diào)整擾動(dòng)生成模塊中的參數(shù)，如擾動(dòng)強(qiáng)度和梯度收集策略。這種動(dòng)態(tài)優(yōu)化機(jī)制確保了對(duì)抗樣本的有效性，同時(shí)保持了對(duì)抗擾動(dòng)的最小化，從而在保證攻擊成功率的同時(shí)，盡地減少對(duì)模型性能的影響。

72、4）高泛化特性的利用：系統(tǒng)利用了通用對(duì)抗樣本的高泛化特性，通過快速收集單張輸入圖片中的目標(biāo)類別梯度，提高了梯度收集的速度和效率。這種方法不僅加速了對(duì)抗樣本的生成過程，而且通過利用高泛化特性，提高了對(duì)抗樣本在不同模型和任務(wù)中的適用性。

73、綜上所述，該全局對(duì)抗樣本生成系統(tǒng)在提高對(duì)抗樣本生成效率、擾動(dòng)隱蔽性、通用性以及動(dòng)態(tài)優(yōu)化反饋機(jī)制方面取得了顯著的技術(shù)進(jìn)步，為無錨框模型在面對(duì)對(duì)抗攻擊時(shí)提供了一種有效的防御手段。