1.一種應(yīng)用于無(wú)錨框模型的全局對(duì)抗樣本生成系統(tǒng)，特征在于，該系統(tǒng)包括：
2.根據(jù)權(quán)利要求1所述的全局對(duì)抗樣本生成系統(tǒng)，其特征在于，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(guò)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。
3.一種無(wú)錨框模型類梯度全局對(duì)抗樣本生成方法，其特征在于，所述無(wú)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)。
4.如權(quán)利要求3所述的無(wú)錨框模型類梯度全局對(duì)抗樣本生成方法，其特征在于，所述無(wú)錨框模型類梯度全局對(duì)抗樣本生成方法，包括：
5.如權(quán)利要求4所述的無(wú)錨框模型類梯度全局對(duì)抗樣本生成方法，其特征在于，所述無(wú)錨框模型類梯度全局對(duì)抗樣本生成方法的無(wú)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(guò)預(yù)測(cè)，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(cè)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(cè)過(guò)程中，當(dāng)預(yù)測(cè)值時(shí)，它代表著一個(gè)被檢測(cè)到第c類的目標(biāo)前景中心點(diǎn)，而當(dāng)時(shí)，代表著檢測(cè)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(guò)三個(gè)部分代價(jià)的有機(jī)結(jié)合最終完成各類視覺(jué)任務(wù)的預(yù)測(cè)；
6.如權(quán)利要求3所述的無(wú)錨框模型類梯度全局對(duì)抗樣本生成方法，其特征在于，所述無(wú)錨框模型類梯度全局對(duì)抗樣本生成方法，具體包括以下步驟：
7.如權(quán)利要求6所述的無(wú)錨框模型類梯度全局對(duì)抗樣本生成方法，其特征在于，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(lái)計(jì)算擾動(dòng)，每次算法會(huì)按照網(wǎng)絡(luò)模型檢測(cè)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(cè)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：
8.如權(quán)利要求6所述的無(wú)錨框模型類梯度全局對(duì)抗樣本生成方法，其特征在于，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(zhǎng)的球上，相關(guān)算法如下式所示：
9.一種信息數(shù)據(jù)處理終端，其特征在于，所述信息數(shù)據(jù)處理終端用于實(shí)現(xiàn)權(quán)利要求3~8任意一項(xiàng)所述無(wú)錨框模型類梯度全局對(duì)抗樣本生成方法。