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！

龙图腾网获悉太原科技大学申请的专利一种基于线性分段损失函数的对抗训练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：CN116012672B 。

龙图腾网通过国家知识产权局官网在2025-12-02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：202310065462.0，技术领域涉及：G06V10/774；该发明授权一种基于线性分段损失函数的对抗训练方法是由谢刚;张兆祥;李林娟;聂晓音;田娟;谢新林;张浩雪设计研发完成，并于2023-01-17向国家知识产权局提交的专利申请。

本一种基于线性分段损失函数的对抗训练方法在说明书摘要公布了：本发明涉及一种基于线性分段损失函数的对抗训练方法，所述线性分段损失函数采用泰勒展开的思想，将交叉熵损失函数通过泰勒展开分解为一系列加权多项式基，通过调整系数获得拟合较好的损失函数，利用L2正则化项对损失函数参数进行约束，增加网络模型鲁棒性；在对抗训练前向网络中使用大卷积核先对图像整体特征进行学习，减少非鲁棒性特征带来的影响，同时使用1*1卷积核降维后利用全局平均池化层来替代全连接层，减少计算参数量；在生成对抗样本后，将批量归一化层融入网络的对抗训练阶段，减小对抗样本带来的数据分布不均匀问题，提高网络模型鲁棒性。很好地解决传统对抗训练带来的模型鲁棒性提升不高，且干净数据准确率大幅下降的问题。

本发明授权一种基于线性分段损失函数的对抗训练方法在权利要求书中公布了：1.一种基于线性分段损失函数的对抗训练方法，其特征在于，包括以下步骤： S1、获取原始图像x 将公开数据集CIFAR-10中的50000张32*32*3的训练图片进行数据预处理得到原始图像； S2、构建前向网路fθ，θ为网络参数，得到不同类别的置信度Pi 前向网络结构包括依次设置的一个3*3卷积层、由4个不同的残差层组成的深度残差结构层、一个1*1卷积层和一个全局平均池化层，其中第一个残差层采用大卷积核对整体特征进行提取，1*1卷积层用于数据降维，从512维降至10维，全局平均池化层用于输出一维的向量； 原始图像经过前向网络处理，得到对应不同分类类别i的置信度Pi； S3、构建线性分段损失函数L，计算网络输出结构的损失 式中，δ为多项式系数，Pi为置信度，LCE为交叉熵损失函数，λ为正则化系数，k为参数数量，为正则化项系数，θ为网络参数，||θ||2为L2正则化项； 在反向传播时，采用SGD优化器进行参数更新，线性分段损失函数L的梯度为： SGD优化器沿梯度下降的方向更新参数，α为每次下降的学习率，L2正则化项的存在使得损失函数L的优化过程变为： 网络参数θi在梯度下降前先与系数相乘，其中因此确保每次更新的网络参数θi+1不断减小，提高网络的收敛能力； S4、构建对抗样本x′ 线性分段损失函数L对原始图像x求偏导，得到梯度grad： 采用投影梯度下降法寻找对抗扰动η，构建对抗样本x′： 为了防止在原始图像中每个像素点添加扰动后，从视觉上改变原始图像，因此在∞范数空间内设定一个最大扰动空间ε，在该空间内，使用符号函数sign取出梯度的变化方向，沿着梯度上升的方向，利用扰动系数α进行一次迭代，生成一个对抗扰动η： η＝αsigngrad； 如果η≤ε，则说明生成的对抗扰动在最大扰动空间内，在原始图像x上添加对抗扰动η即可完成一次迭代： x′＝x+η； 如果η＞ε，则说明生成的对抗扰动在最大扰动空间外，将其投影回扰动空间，即在原始图像x上添加ε即可完成一次迭代，后续迭代步骤中，生成的对抗扰动η均会被投影至扰动范围边界上： x′＝x+ε； 在K步迭代中，重复上述过程，迭代完成后输出对抗样本x′； 或者， 采用快速梯度符号法，构建对抗样本x′： 将采用单步迭代生成对抗扰动η＝αsigngrad添加至原始图像形成对抗样本： x′＝x+η； S5、优化对抗训练，提高网络鲁棒性 对抗样本x′与原始图像x混合送入前向网络fθ进行对抗训练，得到鲁棒的网络模型，由于对抗样本x′是在原始图像基础上添加对抗扰动η形成，与原始图像在数据分布间存在差异，为了防止在网络训练中出现内部协变量偏移现象，在每层卷积层之后添加批量归一化层，并添加可学习的参数进行归一化处理，减少因数据分布差异带来的误差，提高网络的鲁棒性； S6、更新网络，完成对抗训练 网络学习对抗样本特征后，依据线性分段损失函数损失值进行反向传播，更新网络，根据准确率是否提高选择保存模型，完成基于线性分段损失函数的对抗训练。

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太原科技大学，其通讯地址为：030024 山西省太原市万柏林区窊流路66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。