买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉电子科技大学;西南财经大学申请的专利一种即插即用的选择性模块对抗鲁棒微调方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119360181B 。

龙图腾网通过国家知识产权局官网在2025-09-30发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411416247.1，技术领域涉及：G06V10/82；该发明授权一种即插即用的选择性模块对抗鲁棒微调方法是由王少卓;蒋太翔;马孝坤;汤自新;刘贵松;李波设计研发完成，并于2024-10-11向国家知识产权局提交的专利申请。

本一种即插即用的选择性模块对抗鲁棒微调方法在说明书摘要公布了：本发明涉及计算机视觉的对抗攻防领域，具体涉及一种即插即用的选择性模块对抗鲁棒微调方法，通过引入模块的泛化敏感度指数和鲁棒关键性指数，并基于初始模型所包含各层网络模块的鲁棒关键性指数和泛化敏感度指数，以最大化鲁棒关键性指数和最小化泛化敏感度指数为目标，确定实施微调的网络模块；最终，通过冻结其余所有模块参数，利用微调样本集，对实施微调的网络模块的参数实施微调，获得鲁棒增强的图像分类模型，能全面考虑模型鲁棒与泛化之间的关系，精确识别最关键的模块进行微调，在保持甚至略微提高泛化的情况下大幅增强模型鲁棒性，并具备即插即用的特性，可作为通用组件部署于各种对抗训练中，能对鲁棒模型进行二次鲁棒增强。

本发明授权一种即插即用的选择性模块对抗鲁棒微调方法在权利要求书中公布了：1.一种即插即用的选择性模块对抗鲁棒微调方法，其特征在于，包括如下步骤： S1、输入完成预训练的图像分类模型，作为初始模型； S2、针对初始模型所包含每一层的网络模块，分别按如下步骤计算各层网络模块的鲁棒关键性指数和泛化敏感度指数： S21、获得扰动模型： 冻结初始模型所包含的其他网络模块的参数，本步骤中的其他网络模块为初始模型所包含的当前计算网络模块以外的网络模块；针对当前计算的网络模块，利用对抗样本集，以添加扰动前后模型的鲁棒性差异最大化为目标，向当前计算网络模块的参数添加扰动，获得当前计算网络模块所对应的第一扰动模型；针对当前计算的网络模块，利用干净样本集，以添加扰动前后模型的泛化性差异最大化为目标，向当前计算网络模块的参数添加扰动，获得当前计算网络模块所对应的第二扰动模型； 所述干净样本集为干净样本的集合，所述对抗样本集为对抗样本的集合，所述干净样本为未添加扰动的原始样本，所述对抗样本为向原始样本添加对抗扰动后获得的样本； S22、指标计算： 采用对抗样本集的样本作为输入，分别输入初始模型和当前计算网络模块所对应的第一扰动模型，并以初始模型所的分类损失作为当前计算网络模块的第一损失，以当前计算网络模块所对应的第一扰动模型的分类损失作为当前计算网络模块的第二损失；基于当前计算网络模块的第一损失和第二损失的变化量，计算获得当前计算网络模块的鲁棒关键性指数； 采用测试样本集的样本作为输入，分别输入初始模型和当前计算网络模块所对应的第二扰动模型，并以初始模型的分类损失作为当前计算网络模块的第三损失，以当前计算网络模块所对应的第二扰动模型的分类损失作为当前计算网络模块的第四损失；基于当前计算网络模块的第三损失和第四损失的变化量，计算获得当前计算网络模块的泛化敏感度指数；所述测试样本集的样本为未在模型训练阶段被采样的原始样本； S3、基于初始模型所包含各层网络模块的鲁棒关键性指数和泛化敏感度指数，以最大化鲁棒关键性指数和最小化泛化敏感度指数为目标，确定实施微调的网络模块； S4、冻结初始模型所包含的其他网络模块的参数，仅针对实施微调的网络模块的参数，利用微调样本集进行微调，获得鲁棒增强的图像分类模型；本步骤中的其他网络模块为初始模型所包含的实施微调的网络模块以外的网络模块；所述微调样本集中的样本为对抗样本。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人电子科技大学;西南财经大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。