CN116228537B 基于去噪和超分辨率重构融合的攻击图像防御方法 （西北工业大学）

基于去噪和超分辨率重构融合的攻击图像本发明涉及一种基于去噪和超分辨率重构方法有效地结合了自编码器去噪和超分辨率重本清洗防御算法在自制的卫星对抗样本数据集2之间设置了跳连接层；在编解码器的每一层使用通道注意力模块CAB来提取每一个尺度的所述的超分辨率重构网络包含3个超分辨率块，每一个块包含8个残差块其中，Lcha代表Charbonnier损失，Ledge代表边缘损失，Xs代表去噪后的图像，Y代表自编码器子网络和超分辨率重构网络对输入图像进行噪声的清洗以及修复初始的特征信2.根据权利要求1所述基于去噪和超分辨率重构融合的攻击图像防御方法，其特征在3抗数据集指的是对抗噪声集中攻击干净图像的某一块矩形像素区域但不攻击其他的区域；3.根据权利要求1所述基于去噪和超分辨率重构融合的攻击图像防御方法，其特征在5.一种计算机可读存储介质，其特征在于4可通过算法精心设计虚假目标来欺骗和攻击机器学习系统，使军事智能系统无法正常工5码器之间设置了跳连接层；在编解码器的每一层使用通道注意力模块CAB来提取每一个尺经过自编码器子网络和超分辨率重构网络对输入图像进行噪声的清洗以及修复初始的特[0031]本发明进一步的技术方案：步骤1中所述的训练图像样本库包括纯数字对抗数据6性SSIM以及EfficientNet他被动防御方法容易丢失关键的图像内容并导致对非对抗图像的分类7差(MSE)、结构相似性(SSIM)以及EfficientNet网络识别准确率这三个指标对已清洗的对器之间设置了跳连接层。本发明在编解码器的每一层使用通道注意模块(CAB)来提取每一8图像块以及第一阶段网络输出的解码器特征图输出2个编码器特征图。在输入到解码器之图输出相应的解码器特征图。本发明没有使用转置卷积来提高解码器中特征的空间分辨模块首先把来自上一个阶段的输出特征Fin通过一个简单的1×1卷积生成一个残差图像Rs。那么这个残差图像和原图I相加就可以得到一个修复的图像XS。然后监督注意模块通过一个1×1卷积加激活层可以得到像素监督掩膜M，再与经过1×1卷积转换后的特征Fin重新进行校正，最后再和Fin相加得到注意力加强的对抗噪声特征Fout并传递到下一个阶段进行处9经过自编码器子网络和超分辨率重构网络对输入图像进行噪声的清洗以及修复初始的特以大大减少训练的时间成本。那么该数据集的训练集一共有62856张图像，测试集一共有L)22＝2L)2是用没有被对抗噪声攻击的数据集进行训练的四分类网络。当输入的图像是正常的图像[0101]本发明通过PyTorch框架分别对编解码器子网络以及原超分辨率重构网络进行搭策略对网络训练和测试并使用均方差(MSE)和结构相似度(SSIM)两种指标对最终结果进行集中各挑选了一张相同背景的对抗样本以及对应的清洗图像作为展示，如图5所示。理论确率就越低，反之，识别准确率越高。对于噪声强度较大的数据集(噪声系数在(噪声系数在0.01及以下)的对抗样本[0114]为了对去噪效果进行可视化，本发对抗样本的大。而其中FGSM0.3和PGD0.5的MSE值和SSIM值和其它的噪声类型的值差异很入图像分辨率均为128×128，输出的清洗图像经过超分辨率放大之后分辨率变为256×[0125]为了对去噪效果进行可视化，本发明对F