CN111488895A - 对抗数据生成方法、装置、设备及存储介质 - Google Patents

对抗数据生成方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111488895A
CN111488895A CN201910078641.1A CN201910078641A CN111488895A CN 111488895 A CN111488895 A CN 111488895A CN 201910078641 A CN201910078641 A CN 201910078641A CN 111488895 A CN111488895 A CN 111488895A
Authority
CN
China
Prior art keywords
data
countermeasure
loss function
model
countermeasure data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910078641.1A
Other languages
English (en)
Inventor
申世伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Dajia Internet Information Technology Co Ltd
Original Assignee
Beijing Dajia Internet Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Dajia Internet Information Technology Co Ltd filed Critical Beijing Dajia Internet Information Technology Co Ltd
Priority to CN201910078641.1A priority Critical patent/CN111488895A/zh
Publication of CN111488895A publication Critical patent/CN111488895A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KGRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for recognising patterns
    • G06K9/62Methods or arrangements for pattern recognition using electronic means
    • G06K9/6267Classification techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KGRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for recognising patterns
    • G06K9/62Methods or arrangements for pattern recognition using electronic means
    • G06K9/6217Design or setup of recognition systems and techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06K9/6256Obtaining sets of training patterns; Bootstrap methods, e.g. bagging, boosting

Abstract

本公开是关于一种对抗数据生成方法、装置、设备及存储介质,属于计算机技术领域。方法包括:获取第一目标数据;获取对抗数据生成模型,对抗数据生成模型根据样本原始数据训练得到,对抗数据生成模型的训练目标为生成的对抗数据与对应的原始数据被划分为不同的类别,且生成的对抗数据与对应的原始数据之间的差异趋向于最小;基于对抗数据生成模型,生成第一目标数据对应的对抗数据。由于本公开实施例中基于已训练的对抗数据生成模型生成对抗数据,因此无需进行多次修改和多次分类处理,减小了计算量,缩短了耗时,提高了效率。

Description

对抗数据生成方法、装置、设备及存储介质
技术领域
本公开涉及计算机技术领域,尤其涉及一种对抗数据生成方法、装置、设备及存储介质。
背景技术
基于机器学习算法的分类模型凭借其良好的学习性能和分类准确率,得到了广泛应用。然而由于多种因素的影响导致数据受到干扰,形成对抗数据,影响分类准确率。因此,需要获取对抗数据,基于对抗数据对分类模型进行训练,以得到准确率更高的分类模型。
相关技术中,通常在获取到原始数据后,采用预设算法对原始数据进行修改,得到第一数据。基于已训练的分类模型分别对原始数据和第一数据进行分类处理,得到原始数据的类别和第一数据的类别。若第一数据的类别与原始数据的类别不同,则将该第一数据确定为该原始数据对应的对抗数据。若该第一数据的类别与原始数据的类别相同,则继续采用预设算法对第一数据进行修改,直到本次修改后的数据的类别与原始数据的类别不同为止。
上述方案需要进行多次修改,还需要基于分类模型进行多次分类处理,才能生成原始数据对应的对抗数据,计算量较大,耗时较长。
发明内容
本公开提供了一种对抗数据生成方法、装置、设备及存储介质,能够克服相关技术中的计算量较大、耗时较长的问题。
根据本公开实施例的第一方面,提供一种对抗数据生成方法,所述方法包括:
获取第一目标数据;
获取对抗数据生成模型,所述对抗数据生成模型根据样本原始数据训练得到,所述对抗数据生成模型的训练目标为生成的对抗数据与对应的原始数据被划分为不同的类别,且所述生成的对抗数据与对应的原始数据之间的差异趋向于最小;
基于所述对抗数据生成模型,生成所述第一目标数据对应的对抗数据。
在一种可能实现的方式中,所述方法还包括:
获取第一原始数据;
基于对抗数据生成模型,生成所述第一原始数据对应的第一对抗数据;
基于判别模型,对所述第一原始数据和所述第一对抗数据进行判别处理,得到判别结果,所述判别模型用于确定所述第一对抗数据与所述第一原始数据之间的差异;
基于分类模型,对所述第一对抗数据进行分类处理,得到所述第一对抗数据的类别;
根据所述判别结果和所述类别,对所述对抗数据生成模型和所述判别模型进行训练,以使所述对抗数据生成模型生成的对抗数据与对应的原始数据被划分为不同的类别,且所述对抗数据生成模型生成的对抗数据与对应的原始数据之间的差异趋向于最小。
在另一种可能实现的方式中,所述判别结果包括所述第一原始数据对应的第一数据和所述第一对抗数据对应的第二数据;
所述根据所述判别结果和所述类别,对所述对抗数据生成模型和所述判别模型进行训练,包括:
根据所述第二数据、所述类别和生成损失函数,对所述对抗数据生成模型进行训练,以使所述生成损失函数的输出值趋向于最小;
根据所述第一数据、所述第二数据和判别损失函数,对所述判别模型进行训练,以使所述判别损失函数的输出值趋向于最小。
在另一种可能实现的方式中,所述生成损失函数包括第一损失函数和第二损失函数;
所述第一损失函数为:
所述第二损失函数为:
l2=-lclassify(Gθ,G(x),ytrue)
所述判别损失函数为:
其中,l1为所述第一损失函数,l2为所述第二损失函数,ld为所述判别损失函数,N为所述第一原始数据的数量,x为所述第一原始数据,G(x)为所述第一对抗数据,xi为第i个第一原始数据,G(xi)为第i个第一对抗数据,D(xi)为第i个第一数据,D(G(xi))为第i个第二数据,Gθ为所述对抗数据生成模型的参数,lclassify(Gθ,G(x),ytrue)为分类损失函数,ytrue为所述第一原始数据的类别。
在另一种可能实现的方式中,所述生成损失函数还包括距离损失函数;
所述距离损失函数为:
其中,ldistance(Gθ,x,G(x))为所述距离损失函数,W为所述第一原始数据中像素的宽度,H为所述第一原始数据中像素的高度,xw,h为位于所述第一原始数据中宽度为w、高度为h的像素点,为位于所述第一对抗数据对应的第一数据中宽度为w、高度为h的像素点。
根据本公开实施例的第二方面,提供一种对抗数据生成装置,所述装置包括:
第一数据获取单元,被配置为获取第一目标数据;
模型获取单元,被配置为获取对抗数据生成模型,所述对抗数据生成模型根据样本原始数据训练得到,所述对抗数据生成模型的训练目标为生成的对抗数据与对应的原始数据被划分为不同的类别,且所述生成的对抗数据与对应的原始数据之间的差异趋向于最小;
第一生成单元,被配置为基于所述对抗数据生成模型,生成所述第一目标数据对应的对抗数据。
在一种可能实现的方式中,所述装置还包括:
第二数据获取单元,被配置为获取第一原始数据;
第二生成单元,被配置为基于对抗数据生成模型,生成所述第一原始数据对应的第一对抗数据;
判别单元,被配置为基于判别模型,对所述第一原始数据和所述第一对抗数据进行判别处理,得到判别结果,所述判别模型用于确定所述第一对抗数据与所述第一原始数据之间的差异;
分类单元,被配置为对所述第一对抗数据进行分类处理,得到所述第一对抗数据的类别;
训练单元,被配置为根据所述判别结果和所述类别,对所述对抗数据生成模型和所述判别模型进行训练,以使所述对抗数据生成模型生成的对抗数据与对应的原始数据被划分为不同的类别,且所述对抗数据生成模型生成的对抗数据与对应的原始数据之间的差异趋向于最小。
在另一种可能实现的方式中,所述判别结果包括所述第一原始数据对应的第一数据和所述第一对抗数据对应的第二数据;
所述训练单元,包括:
第一训练子单元,被配置为根据所述第二数据、所述类别和生成损失函数,对所述对抗数据生成模型进行训练,以使所述生成损失函数的输出值趋向于最小;
第二训练子单元,被配置为根据所述第一数据、所述第二数据和判别损失函数,对所述判别模型进行训练,以使所述判别损失函数的输出值趋向于最小。
在另一种可能实现的方式中,所述生成损失函数包括第一损失函数和第二损失函数;
所述第一损失函数为:
所述第二损失函数为:
l2=-lclassify(Gθ,G(x),ytrue)
所述判别损失函数为:
其中,l1为所述第一损失函数,l2为所述第二损失函数,ld为所述判别损失函数,N为所述第一原始数据的数量,x为所述第一原始数据,G(x)为所述第一对抗数据,xi为第i个第一原始数据,G(xi)为第i个第一对抗数据,D(xi)为第i个第一数据,D(G(xi))为第i个第二数据,Gθ为所述对抗数据生成模型的参数,lclassify(Gθ,G(x),ytrue)为分类损失函数,ytrue为所述第一原始数据的类别。
在另一种可能实现的方式中,所述生成损失函数还包括距离损失函数;
所述距离损失函数为:
其中,ldistance(Gθ,x,G(x))为所述距离损失函数,W为所述第一原始数据中像素的宽度,H为所述第一原始数据中像素的高度,xw,h为位于所述第一原始数据中宽度为w、高度为h的像素点,为位于所述第一对抗数据对应的第一数据中宽度为w、高度为h的像素点。
根据本公开实施例的第三方面,提供了一种用于生成对抗数据的处理设备,所述处理设备包括:
一个或多个处理器;
用于存储所述一个或多个处理器可执行命令的易失性或非易失性存储器;
其中,所述一个或多个处理器被配置为执行如第一方面所述的对抗数据生成方法。
根据本公开实施例的第四方面,提供一种非临时性计算机可读存储介质,当所述存储介质中的指令由处理设备的处理器执行时,使得所述处理设备能够执行如第一方面所述的对抗数据生成方法。
根据本公开实施例的第五方面,提供一种计算机程序产品,当所述计算机程序产品中的指令由处理设备的处理器执行时,使得所述处理设备能够执行如第一方面所述的对抗数据生成方法。
本公开实施例提供的方法、装置、设备及存储介质,获取已训练的对抗数据生成模型,对抗数据生成模型的训练目标为生成的对抗数据与对应的原始数据被划分为不同的类别,且生成的对抗数据与对应的原始数据之间的差异趋向于最小,则基于该已训练的对抗数据生成模型和获取到的第一目标数据,能够生成与该第一目标数据内容相似且类别不同的对抗数据,且生成过程中无需进行多次修改和多次分类处理,减小了计算量,缩短了耗时,提高了生成效率。
并且,本公开实施例中,以原始数据为训练数据,对对抗数据生成模型、判别模型以及分类模型进行配合训练,以使训练后的对抗数据生成模型满足上述训练目标,得到与原始数据内容相似且类别不同的对抗数据,提高了对抗数据生成模型的准确率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种对抗数据生成方法的流程图。
图2是根据一示例性实施例示出的一种对抗数据生成方法的流程图。
图3是根据一示例性实施例示出的一种对抗数据生成模型和判别模型的训练流程示意图。
图4是根据一示例性实施例示出的另一种对抗数据生成模型和判别模型的训练流程示意图。
图5是根据一示例性实施例示出的一种对抗数据生成装置的框图。
图6是根据一示例性实施例示出的一种用于生成对抗数据的终端的框图。
图7是根据一示例性实施例示出的一种服务器的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种对抗数据生成方法的流程图,如图1所示,该对抗数据生成方法用于处理设备中,包括以下步骤:
在步骤101中,处理设备获取第一目标数据。
在步骤102中,处理设备获取对抗数据生成模型,对抗数据生成模型根据样本原始数据训练得到,对抗数据生成模型的训练目标为生成的对抗数据与对应的原始数据被划分为不同的类别,且生成的对抗数据与对应的原始数据之间的差异趋向于最小。
在步骤103中,处理设备基于对抗数据生成模型,生成第一目标数据对应的对抗数据。
本公开实施例提供的方法,获取已训练的对抗数据生成模型,对抗数据生成模型的训练目标为生成的对抗数据与对应的原始数据被划分为不同的类别,且生成的对抗数据与对应的原始数据之间的差异趋向于最小,则基于该已训练的对抗数据生成模型和获取到的第一目标数据,能够生成与该第一目标数据内容相似且类别不同的对抗数据,且生成过程中无需进行多次修改和多次分类处理,减小了计算量,缩短了耗时,提高了生成效率。
在一种可能实现的方式中,方法还包括:
获取第一原始数据;
基于对抗数据生成模型,生成第一原始数据对应的第一对抗数据;
基于判别模型,对第一原始数据和第一对抗数据进行判别处理,得到判别结果,判别模型用于确定第一对抗数据与第一原始数据之间的差异;
基于分类模型,对第一对抗数据进行分类处理,得到第一对抗数据的类别;
根据判别结果和类别,对对抗数据生成模型和判别模型进行训练,以使对抗数据生成模型生成的对抗数据与对应的原始数据被划分为不同的类别,且对抗数据生成模型生成的对抗数据与对应的原始数据之间的差异趋向于最小。
在另一种可能实现的方式中,判别结果包括第一原始数据对应的第一数据和第一对抗数据对应的第二数据;
根据判别结果和类别,对对抗数据生成模型和判别模型进行训练,包括:
根据第二数据、类别和生成损失函数,对对抗数据生成模型进行训练,以使生成损失函数的输出值趋向于最小;
根据第一数据、第二数据和判别损失函数,对判别模型进行训练,以使判别损失函数的输出值趋向于最小。
在另一种可能实现的方式中,生成损失函数包括第一损失函数和第二损失函数;
第一损失函数为:
第二损失函数为:
l2=-lclassify(Gθ,G(x),ytrue)
判别损失函数为:
其中,l1为第一损失函数,l2为第二损失函数,ld为判别损失函数,N为第一原始数据的数量,x为第一原始数据,G(x)为第一对抗数据,xi为第i个第一原始数据,G(xi)为第i个第一对抗数据,D(xi)为第i个第一数据,D(G(xi))为第i个第二数据,Cθ为对抗数据生成模型的参数,lclassify(Gθ,G(x),ytrue)为分类损失函数,ytrue为第一原始数据的类别。
在另一种可能实现的方式中,生成损失函数还包括距离损失函数;
距离损失函数为:
其中,ldistance(Gθ,x,G(x))为距离损失函数,W为第一原始数据中像素的宽度,H为第一原始数据中像素的高度,xw,h为位于第一原始数据中宽度为w、高度为h的像素点,为位于第一对抗数据对应的第一数据中宽度为w、高度为h的像素点。
图2是根据一示例性实施例示出的一种对抗数据生成方法的流程图,如图2所示,该对抗数据生成方法用于处理设备中,处理设备可以为手机、计算机、平板电脑、智能电视等终端或者服务器,该方法包括以下步骤:
在步骤201中,处理设备获取第一原始数据。
当获取到待分类的数据时,可以基于分类模型对该数据进行分类,得到该数据的类别。然而,由于多种因素的影响,会导致原始数据受到干扰形成对抗数据后,而基于分类模型对对抗数据进行分类时,分类模型容易以高置信度错误分类,误将对抗数据划分为与原始数据类别不同的另一类别。
为了避免上述问题,可以获取至少一个原始数据及其对应的对抗数据,作为样本数据,其中,原始数据可以为图像、音频或视频等,对抗数据为原始数据添加干扰后的数据,且对抗数据能够误导分类模型的分类,导致分类模型将原始数据与对抗数据划分为不同类别。根据获取的样本数据进行训练,得到分类模型,使得无论待分类的数据为原始数据还是对抗数据,均可以基于该分类模型对数据进行正确分类。
为此,本公开实施例先根据至少一个原始数据训练对抗数据生成模型,基于对抗数据生成模型和目标数据,生成与目标数据内容相似且类别不同的对抗数据。
处理设备可以为终端或服务器,若处理设备为终端,该原始数据可以由终端拍摄得到,也可以由终端录制得到,或者由终端从互联网中下载,或者由其他设备发送至终端。若该处理设备为服务器,则该原始数据可以由终端上传至服务器,或者由其他设备上传至服务器。
本公开实施例仅以第一原始数据作为样本数据,对训练对抗数据生成模型的过程进行说明,因此,处理设备先获取第一原始数据。根据其他样本数据训练对抗数据生成模型的过程与根据第一原始数据训练对抗数据生成模型的过程类似,在此不再赘述。
在步骤202中,处理设备基于对抗数据生成模型,生成第一原始数据对应的第一对抗数据。
其中,对抗数据生成模型用于生成原始数据对应的对抗数据。
处理设备先获取当前的对抗数据生成模型,基于该对抗数据生成模型对第一原始数据进行处理,生成第一原始数据对应的第一对抗数据。其中,当前的对抗数据生成模型可以为初始化的对抗数据生成模型,也可以为经过一次或多次训练后得到的对抗数据生成模型。
在步骤203中,处理设备基于判别模型,对第一原始数据和第一对抗数据进行判别处理,得到判别结果。
对抗数据生成模型的训练目标为生成的对抗数据与对应的原始数据被划分为不同的类别,且生成的对抗数据与对应的原始数据之间的差异趋向于最小。对抗数据与对应的原始数据之间的差异越小,表明对抗数据与原始数据在内容上越相似。在保证对抗数据与原始数据类别不同的情况下,当对抗数据与原始数据之间的差异趋向于最小时,表明虽然原始数据与对抗数据属于不同的类别,但在内容上趋向于最相似。
为了训练出满足上述训练目标的对抗数据生成模型,需要在训练过程中考虑对抗数据与对应的原始数据之间的差异。因此,处理设备获取当前的判别模型,基于该判别模型对第一原始数据和第一对抗数据进行判别处理,得到判别结果。判别模型用于确定第一对抗数据与第一原始数据之间的差异,则判别结果能够表示第一对抗数据与第一原始数据之间的差异大小。
第一对抗数据与第一原始数据之间的差异越小,表示两者的内容越接近。后续可以基于该判别结果对对抗数据生成模型进行训练,提升该对抗数据生成模型的准确率。
其中,当前的判别模型可以为初始化的判别模型,也可以为经过一次或多次训练后得到的判别模型。
在步骤204中,处理设备基于分类模型,对第一对抗数据进行分类处理,得到第一对抗数据的类别。
为了训练出满足上述训练目标的对抗数据生成模型,需要在训练过程中考虑对抗数据与对应的原始数据的类别是否相同,而分类模型可以实现数据的分类,得到数据的类别。因此,处理设备获取分类模型,基于该分类模型对当前生成的第一对抗数据进行分类处理,得到该第一对抗数据的类别,从而能够确定第一对抗数据的类别与原始数据的类别是否相同。后续可以基于确定的结果对对抗数据生成模型进行训练,提升该对抗数据生成模型的准确率。
在步骤205中,处理设备根据判别结果和第一对抗数据的类别,对对抗数据生成模型和判别模型进行训练,以使对抗数据生成模型生成的对抗数据与对应的原始数据被划分为不同的类别,且对抗数据生成模型生成的对抗数据与对应的原始数据之间的差异趋向于最小。
处理设备获取到判别结果和第一对抗数据的类别后,按照上述训练目标,根据判别结果和第一对抗数据的类别进行训练,后续采用类似的方式进行一次或多次训练之后,以使对抗数据生成模型生成的对抗数据与对应的原始数据被划分为不同的类别,且对抗数据生成模型生成的对抗数据与对应的原始数据之间的差异趋向于最小。
在一种可能实现的方式中,原始数据为图片时,根据原始图片生成的对抗数据为对抗图片。按照上述训练目标进行训练,可以保证对抗数据生成模型生成的对抗图片与对应的原始图片被划分为不同类别,对抗图片与原始图片中位置对应的两个像素点的像素值差异尽可能小。
在一种可能实现的方式中,基于判别模型进行判别处理后得到的判别结果包括第一原始数据对应的第一数据和第一对抗数据对应的第二数据,处理设备为对抗数据生成模型设置生成损失函数,为判别模型设置判别损失函数。
其中,生成损失函数的输出值能够衡量对抗数据与对应的原始数据被划分为不同类别时两者之间的差异,且生成损失函数的输出值与该差异呈正相关关系,判别损失函数的输出值与该差异呈正相关关系。
根据第二数据、第一对抗数据的类别和生成损失函数,对对抗数据生成模型进行训练时,训练目标为在保证基于对抗数据生成模型生成的对抗数据与对应的原始数据被划分为不同类别的基础上,使生成损失函数的输出值趋向于最小,即保证在对抗数据与对应的原始数据类别不同的基础上,内容尽可能相似。根据第一数据、第二数据和判别损失函数,对判别模型进行训练时,训练目标为使判别损失函数的输出值趋向于最小,即保证在对抗数据与对应的原始数据类别不同的基础上,内容尽可能相似。
因此,处理设备获取第一数据、第二数据、第一对抗数据的类别、生成损失函数以及判别损失函数进行计算,得到生成损失函数的输出值和判别损失函数的输出值,按照上述训练目标,根据生成损失函数的输出值和判别损失函数的输出值,对对抗数据生成模型和判别模型进行训练,后续采用类似的方式进行一次或多次训练之后,以使生成损失函数的输出值趋向于最小,且判别损失函数的输出值也趋向于最小。
在一种可能实现的方式中,生成损失函数包括第一损失函数和第二损失函数,该第一损失函数为:
该第二损失函数为:
l2=-lclassify(Gθ,G(x),ytrue)
判别损失函数为:
其中,l1为第一损失函数,l2为第二损失函数,ld为判别损失函数,N为第一原始数据的数量,x为第一原始数据,G(x)为第一对抗数据,xi为第i个第一原始数据,G(xi)为第i个第一对抗数据,D(xi)为第i个第一数据,D(G(xi))为第i个第二数据,Gθ为对抗数据生成模型的参数,lclassify(Gθ,G(x),yteue)为分类损失函数,ytrue为第一原始数据的类别。
上述分类损失函数的输出值用于表示对抗数据的类别与原始数据的类别之间的差异,而第二损失函数的输出值与分类损失函数的输出值负相关,也即是分类损失函数越大,对抗数据的类别与原始数据的类别之间的差异越大,第二损失函数的输出值越小。因此,为了得到与原始数据的类别不同的对抗数据,第二损失函数的输出值在一定范围内越小越好。
第一损失函数的输出值用于表示对抗数据与原始数据之间的差异,第二损失函数的输出值用于表示对抗数据的类别与原始数据的类别之间的差异。由于训练目标为生成的对抗数据与对应的原始数据内容相似且类别不同,因此需要在对抗数据的类别与对应的原始数据的类别之间的差异足够大的基础上,使对抗数据与对应的原始数据之间的差异足够小,也即是,在第二损失函数的输出值足够小的基础上,使第一损失函数的输出值尽可能小。因此,生成损失函数本质上为对抗数据与对应的原始数据之间在类别上的差异与在内容上的差异之间的对抗调和。
在一种可能实现的方式中,生成损失函数可以通过对第一损失函数和第二损失函数进行求和得到,也可以对第一损失函数和第二损失函数进行加权求和得到。
例如,生成损失函数为:
Ls=ξ1l12l2
其中,Ls为生成损失函数,l1为第一损失函数,l2为第二损失函数,ξ1为第一权重,ξ2为第二权重,且ξ12=1。
若第一权重设置为比第二权重大的数值,表明生成损失函数更注重对抗数据与对应的原始数据在内容上的差异,根据生成损失函数训练出的对抗数据生成模型能够生成与原始数据差异尽可能小的对抗数据。而若第二权重设置为比第一权重大的数值,表明生成损失函数更注重对抗数据与对应的原始数据在类别上的差异,根据生成损失函数训练出的对抗数据生成模型能够生成与原始数据类别尽可能不同的对抗数据。因此,本公开实施例可以通过灵活设置权重来设置生成损失函数,以便训练满足要求的对抗样本生成模型。
在另一种可能实现的方式中,生成损失函数还包括距离损失函数,该距离损失函数为:
其中,ldistance(Gθ,x,G(x))为距离损失函数,Gθ为对抗数据生成模型的参数,x为第一原始数据,G2x)为第一对抗数据,W为第一原始数据中像素的宽度,H为第一原始数据中像素的高度,xw,h为位于第一原始数据中宽度为w、高度为h的像素点,为位于第一对抗数据对应的第一数据中宽度为w、高度为h的像素点。
距离损失函数的输出值用于表示对抗数据与对应的原始数据之间的差异,由于训练目标为生成的对抗数据与对应的原始数据内容相似且类别不同,因此需要在对抗数据的类别与原始数据的类别之间的差异足够大的基础上,使对抗数据与对应的原始数据之间的差异足够小,也即是,在第二损失函数的输出值尽可能小的基础上,使距离损失函数的输出值尽可能小。因此,生成损失函数本质上为对抗数据与对应的原始数据之间在类别上的差异与在内容上的差异之间的对抗调和。
在一种可能实现的方式中,生成损失函数可以通过对第一损失函数、第二损失函数和距离损失函数进行求和得到,也可以对第一损失函数、第二损失函数和距离损失函数进行加权求和得到。
例如,生成损失函数为:
Ls=ξ1l12l23ldistance(Gθ,x,G(x))
其中,Ls为生成损失函数,l1为第一损失函数,l2为第二损失函数,ldistance(Gθ,x,G(x))为距离损失函数,ξ1为第一权重,ξ2为第二权重,ξ3为距离权重,且ξ123=1。
若第一权重或距离权重设置为较大的数值,表明生成损失函数更注重对抗数据与对应的原始数据在内容上的差异,根据生成损失函数训练出的对抗数据生成模型能够生成与原始数据差异尽可能小的对抗数据。而若第二权重设置为较大的数值,表明生成损失函数更注重对抗数据与对应的原始数据在类别上的差异,根据生成损失函数训练出的对抗数据生成模型能够生成与原始数据类别尽可能不同的对抗数据。因此,本公开实施例可以通过灵活设置权重来设置生成损失函数,以便训练满足要求的对抗样本生成模型。
图3是根据一示例性实施例示出的一种对抗数据生成模型和判别模型的训练流程示意图,图4是根据一示例性实施例提出的另一种对抗数据生成模型和判别模型的训练流程示意图,如图3和图4所示,上述步骤201-205中对对抗数据生成模型进行训练时,采用判别模型和分类模型进行配合训练,基于对抗数据生成模型生成第一对抗数据后,输入至判别模型和分类模型中,基于判别模型输出的判别结果和分类模型输出的第一对抗数据的类别,获取损失函数的输出值,根据损失函数的输出值对对抗数据生成模型进行训练。图3与图4所示训练流程的区别在于:图4所示的训练流程中引入了距离损失函数。
在步骤206中,处理设备获取第一目标数据。
本公开实施例以第一目标数据为例,对获取对抗数据的过程进行说明。处理设备可以获取第一目标数据,该第一目标数据可以通过处理设备拍摄或录制得到,也可以从互联网中下载得到,或者由其他设备发送至处理设备得到。该第一目标数据可以为图片、音频或视频等多种格式的数据。
在步骤207中,处理设备获取对抗数据生成模型。
在步骤208中,处理设备基于对抗数据生成模型,生成第一目标数据对应的对抗数据。
处理设备获取到已训练的对抗数据生成模型,基于该对抗数据生成模型,生成该第一目标数据对应的对抗数据,该对抗数据与第一目标数据内容相似且类别不同,能够误导分类模型的分类过程,导致分类模型分类错误。
之后,将第一目标数据及对应的对抗数据作为分类模型的样本数据,对分类模型进行训练,提高分类模型的准确率。
需要说明的是,本发明实施例仅是以第一目标数据为例对生成对抗数据的过程进行说明。在另一实施例中,针对多个目标数据,均可基于已训练的对抗数据生成模型生成对应的多个对抗数据,且生成的对抗数据的分布服从于目标数据的分布,在空间分布的维度上与目标数据相似,根据多个目标数据及其对应的对抗数据对分类模型进行训练,以使训练后的分类模型能够对数据进行正确分类。
本公开实施例提供的方法中,获取原始数据,基于对抗数据生成模型生成原始数据对应的对抗数据,以原始数据为训练数据,以生成的对抗数据与对应的原始数据被划分为不同的类别,且生成的对抗数据与对应的原始数据之间的差异趋向于最小为训练目标,对对抗数据生成模型、判别模型以及分类模型进行配合训练,以使训练后的对抗数据生成模型满足上述训练目标。本公开实施例通过对抗数据生成模型与判别模型和分类模型配合训练,能够提高对抗数据生成模型的准确率。
并且,当获取到目标数据时,基于已训练的对抗数据生成模型和已获取的目标数据,生成与目标数据内容相似且类别不同的对抗数据。本公开实施例中基于已训练的对抗数据生成模型生成对抗数据,且生成过程中无需进行多次修改和多次分类处理,减小了计算量,缩短耗时,提高了生成效率。
本公开实施例可以应用于根据原始数据获取对应的对抗数据的场景中,该原始数据可以为图片、音频或视频等多种格式的数据。例如,用户拍摄了第一照片,该第一照片的类别为猫,基于已训练的对抗数据生成模型和该第一照片,生成第二照片,该第二照片在内容上与第一照片相似,却被划分为狗的类别。后续可以根据该第一照片和该第二照片对分类模型进行训练,提升分类模型的分类准确率。
图5是根据一示例性实施例示出的一种对抗数据生成装置的框图。参见图5,该装置包括第一数据获取单元501、模型获取单元502和第一生成单元503。
第一数据获取单元501,被配置为获取第一目标数据;
模型获取单元502,被配置为获取对抗数据生成模型,对抗数据生成模型根据样本原始数据训练得到,对抗数据生成模型的训练目标为生成的对抗数据与对应的原始数据被划分为不同的类别,且生成的对抗数据与对应的原始数据之间的差异趋向于最小;
第一生成单元503,被配置为基于对抗数据生成模型,生成第一目标数据对应的对抗数据。
在一种可能实现的方式中,装置还包括:
第二数据获取单元,被配置为获取第一原始数据;
第二生成单元,被配置为基于对抗数据生成模型,生成第一原始数据对应的第一对抗数据;
判别单元,被配置为基于判别模型,对第一原始数据和第一对抗数据进行判别处理,得到判别结果,判别模型用于确定第一对抗数据与第一原始数据之间的差异;
分类单元,被配置为对第一对抗数据进行分类处理,得到第一对抗数据的类别;
训练单元,被配置为根据判别结果和类别,对对抗数据生成模型和判别模型进行训练,以使对抗数据生成模型生成的对抗数据与对应的原始数据被划分为不同的类别,且对抗数据生成模型生成的对抗数据与对应的原始数据之间的差异趋向于最小。
在另一种可能实现的方式中,判别结果包括第一原始数据对应的第一数据和第一对抗数据对应的第二数据;
训练单元,包括:
第一训练子单元,被配置为根据第二数据、类别和生成损失函数,对对抗数据生成模型进行训练,以使生成损失函数的输出值趋向于最小;
第二训练子单元,被配置为根据第一数据、第二数据和判别损失函数,对判别模型进行训练,以使判别损失函数的输出值趋向于最小。
在另一种可能实现的方式中,生成损失函数包括第一损失函数和第二损失函数;
第一损失函数为:
第二损失函数为:
l2=-lclassify(Gθ,G(x),ytrue)
判别损失函数为:
其中,l1为第一损失函数,l2为第二损失函数,ld为判别损失函数,N为第一原始数据的数量,x为第一原始数据,G(x)为第一对抗数据,xi为第i个第一原始数据,G(xi)为第i个第一对抗数据,D(xi)为第i个第一数据,D(G(xi))为第i个第二数据,Gθ为对抗数据生成模型的参数,lclassify(Gθ,G(x),ytrue)为分类损失函数,ytrue为第一对抗数据的类别。
在另一种可能实现的方式中,生成损失函数还包括距离损失函数;
距离损失函数为:
其中,ldistance(Gθ,x,G(x0)为距离损失函数,W为第一原始数据中像素的宽度,H为第一原始数据中像素的高度,xw,h为位于第一原始数据中宽度为w、高度为h的像素点,为位于第一对抗数据对应的第一数据中宽度为w、高度为h的像素点。
关于上述实施例中的装置,其中各个单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图6是根据一示例性实施例示出的一种用于生成对抗数据的终端600的框图。该终端600用于执行上述对抗数据生成方法中处理设备所执行的步骤,可以是便携式移动终端,比如:智能手机、平板电脑、MP3播放器(Moving Picture Experts Group Audio LayerIII,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group AudioLayer IV,动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端600还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
通常,终端600包括有:一个或多个处理器601和一个或多个存储器602。
处理器601可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器601可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器601也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器601可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器601还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器602可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器602还可包括易失性存储器或非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器602中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器601所具有以实现本申请中方法实施例提供的对抗数据生成方法。
在一些实施例中,终端600还可选包括有:外围设备接口603和至少一个外围设备。处理器601、存储器602和外围设备接口603之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口603相连。具体地,外围设备包括:射频电路604、触摸显示屏605、摄像头606、音频电路607、定位组件608和电源609中的至少一种。
外围设备接口603可被用于将I/O(Input/Output,输入/输出)相关的至少一个外围设备连接到处理器601和存储器602。在一些实施例中,处理器601、存储器602和外围设备接口603被集成在同一芯片或电路板上;在一些其他实施例中,处理器601、存储器602和外围设备接口603中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路604用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路604通过电磁信号与通信网络以及其他通信设备进行通信。射频电路604将电信号转换为电磁信号进行发送,或者,将接收到的电磁信号转换为电信号。可选地,射频电路604包括:天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路604可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于:城域网、各代移动通信网络(2G、3G、4G及13G)、无线局域网和/或WiFi(Wireless Fidelity,无线保真)网络。在一些实施例中,射频电路604还可以包括NFC(Near Field Communication,近距离无线通信)有关的电路,本申请对此不加以限定。
显示屏605用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏605是触摸显示屏时,显示屏605还具有采集在显示屏605的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器601进行处理。此时,显示屏605还可以用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例中,显示屏605可以为一个,设置终端600的前面板;在另一些实施例中,显示屏605可以为至少两个,分别设置在终端600的不同表面或呈折叠设计;在再一些实施例中,显示屏605可以是柔性显示屏,设置在终端600的弯曲表面上或折叠面上。甚至,显示屏605还可以设置成非矩形的不规则图形,也即异形屏。显示屏605可以采用LCD(LiquidCrystal Display,液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件606用于采集图像或视频。可选地,摄像头组件606包括前置摄像头和后置摄像头。通常,前置摄像头设置在终端的前面板,后置摄像头设置在终端的背面。在一些实施例中,后置摄像头为至少两个,分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种,以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality,虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中,摄像头组件606还可以包括闪光灯。闪光灯可以是单色温闪光灯,也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合,可以用于不同色温下的光线补偿。
音频电路607可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波,并将声波转换为电信号输入至处理器601进行处理,或者输入至射频电路604以实现语音通信。出于立体声采集或降噪的目的,麦克风可以为多个,分别设置在终端600的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器601或射频电路604的电信号转换为声波。扬声器可以是传统的薄膜扬声器,也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时,不仅可以将电信号转换为人类可听见的声波,也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中,音频电路607还可以包括耳机插孔。
定位组件608用于定位终端600的当前地理位置,以实现导航或LBS(LocationBased Service,基于位置的服务)。定位组件608可以是基于美国的GPS(GlobalPositioning System,全球定位系统)、中国的北斗系统、俄罗斯的格雷纳斯系统或欧盟的伽利略系统的定位组件。
电源609用于为终端600中的各个组件进行供电。电源609可以是交流电、直流电、一次性电池或可充电电池。当电源609包括可充电电池时,该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
在一些实施例中,终端600还包括有一个或多个传感器610。该一个或多个传感器610包括但不限于:加速度传感器611、陀螺仪传感器612、压力传感器613、指纹传感器614、光学传感器615以及接近传感器616。
加速度传感器611可以检测以终端600建立的坐标系的三个坐标轴上的加速度大小。比如,加速度传感器611可以用于检测重力加速度在三个坐标轴上的分量。处理器601可以根据加速度传感器611采集的重力加速度信号,控制触摸显示屏605以横向视图或纵向视图进行用户界面的显示。加速度传感器611还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器612可以检测终端600的机体方向及转动角度,陀螺仪传感器612可以与加速度传感器611协同采集用户对终端600的3D动作。处理器601根据陀螺仪传感器612采集的数据,可以实现如下功能:动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器613可以设置在终端600的侧边框和/或触摸显示屏605的下层。当压力传感器613设置在终端600的侧边框时,可以检测用户对终端600的握持信号,由处理器601根据压力传感器613采集的握持信号进行左右手识别或快捷操作。当压力传感器613设置在触摸显示屏605的下层时,由处理器601根据用户对触摸显示屏605的压力操作,实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器614用于采集用户的指纹,由处理器601根据指纹传感器614采集到的指纹识别用户的身份,或者,由指纹传感器614根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时,由处理器601授权该用户具有相关的敏感操作,该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器614可以被设置终端600的正面、背面或侧面。当终端600上设置有物理按键或厂商Logo时,指纹传感器614可以与物理按键或厂商标志集成在一起。
光学传感器615用于采集环境光强度。在一个实施例中,处理器601可以根据光学传感器615采集的环境光强度,控制触摸显示屏605的显示亮度。具体地,当环境光强度较高时,调高触摸显示屏605的显示亮度;当环境光强度较低时,调低触摸显示屏605的显示亮度。在另一个实施例中,处理器601还可以根据光学传感器615采集的环境光强度,动态调整摄像头组件606的拍摄参数。
接近传感器616,也称距离传感器,通常设置在终端600的前面板。接近传感器616用于采集用户与终端600的正面之间的距离。在一个实施例中,当接近传感器616检测到用户与终端600的正面之间的距离逐渐变小时,由处理器601控制触摸显示屏605从亮屏状态切换为息屏状态;当接近传感器616检测到用户与终端600的正面之间的距离逐渐变大时,由处理器601控制触摸显示屏605从息屏状态切换为亮屏状态。
本领域技术人员可以理解,图4中示出的结构并不构成对终端600的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
图7是根据一示例性实施例示出的一种服务器的结构示意图,该服务器700可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(centralprocessing units,CPU)701和一个或一个以上的存储器702,其中,所述存储器702中存储有至少一条指令,所述至少一条指令由所述处理器701加载并执行以实现上述各个方法实施例提供的方法。当然,该服务器还可以具有有线或无线网络接口、键盘以及输入输出接口等部件,以便进行输入输出,该服务器还可以包括其他用于实现设备功能的部件,在此不做赘述。
服务器700可以用于执行上述对抗数据生成方法中处理设备所执行的步骤。
在示例性实施例中,还提供了一种非临时性计算机可读存储介质,当存储介质中的指令由处理设备的处理器执行时,使得处理设备能够执行上述对抗数据生成方法中处理设备所执行的步骤。
在示例性实施例中,还提供了一种计算机程序产品,当计算机程序产品中的指令由处理设备的处理器执行时,使得处理设备能够执行上述对抗数据生成方法中处理设备所执行的步骤。
本领域技术人员在考虑说明书及实践这里的公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (10)

1.一种对抗数据生成方法,其特征在于,所述方法包括:
获取第一目标数据;
获取对抗数据生成模型,所述对抗数据生成模型根据样本原始数据训练得到,所述对抗数据生成模型的训练目标为生成的对抗数据与对应的原始数据被划分为不同的类别,且所述生成的对抗数据与对应的原始数据之间的差异趋向于最小;
基于所述对抗数据生成模型,生成所述第一目标数据对应的对抗数据。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取第一原始数据;
基于对抗数据生成模型,生成所述第一原始数据对应的第一对抗数据;
基于判别模型,对所述第一原始数据和所述第一对抗数据进行判别处理,得到判别结果,所述判别模型用于确定所述第一对抗数据与所述第一原始数据之间的差异;
基于分类模型,对所述第一对抗数据进行分类处理,得到所述第一对抗数据的类别;
根据所述判别结果和所述类别,对所述对抗数据生成模型和所述判别模型进行训练,以使所述对抗数据生成模型生成的对抗数据与对应的原始数据被划分为不同的类别,且所述对抗数据生成模型生成的对抗数据与对应的原始数据之间的差异趋向于最小。
3.根据权利要求2所述的方法,其特征在于,所述判别结果包括所述第一原始数据对应的第一数据和所述第一对抗数据对应的第二数据;
所述根据所述判别结果和所述类别,对所述对抗数据生成模型和所述判别模型进行训练,包括:
根据所述第二数据、所述类别和生成损失函数,对所述对抗数据生成模型进行训练,以使所述生成损失函数的输出值趋向于最小;
根据所述第一数据、所述第二数据和判别损失函数,对所述判别模型进行训练,以使所述判别损失函数的输出值趋向于最小。
4.根据权利要求3所述的方法,其特征在于,所述生成损失函数包括第一损失函数和第二损失函数;
所述第一损失函数为:
所述第二损失函数为:
l2=-lclassify(Gθ,G(x),ytrue)
所述判别损失函数为:
其中,l1为所述第一损失函数,l2为所述第二损失函数,ld为所述判别损失函数,N为所述第一原始数据的数量,x为所述第一原始数据,G(x)为所述第一对抗数据,xi为第i个第一原始数据,G(xi)为第i个第一对抗数据,D(xi)为第i个第一数据,D(G(xi))为第i个第二数据,Gθ为所述对抗数据生成模型的参数,lclassify(Gθ,G(x),ytrue)为分类损失函数,ytrue为所述第一原始数据的类别。
5.根据权利要求4所述的方法,其特征在于,所述生成损失函数还包括距离损失函数;
所述距离损失函数为:
其中,ldistance(Gθ,x,G(x))为所述距离损失函数,W为所述第一原始数据中像素的宽度,H为所述第一原始数据中像素的高度,xw,h为位于所述第一原始数据中宽度为w、高度为h的像素点,为位于所述第一对抗数据对应的第一数据中宽度为w、高度为h的像素点。
6.一种对抗数据生成装置,其特征在于,所述装置包括:
第一数据获取单元,被配置为获取第一目标数据;
模型获取单元,被配置为获取对抗数据生成模型,所述对抗数据生成模型根据样本原始数据训练得到,所述对抗数据生成模型的训练目标为生成的对抗数据与对应的原始数据被划分为不同的类别,且所述生成的对抗数据与对应的原始数据之间的差异趋向于最小;
第一生成单元,被配置为基于所述对抗数据生成模型,生成所述第一目标数据对应的对抗数据。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
第二数据获取单元,被配置为获取第一原始数据;
第二生成单元,被配置为基于对抗数据生成模型,生成所述第一原始数据对应的第一对抗数据;
判别单元,被配置为基于判别模型,对所述第一原始数据和所述第一对抗数据进行判别处理,得到判别结果,所述判别模型用于确定所述第一对抗数据与所述第一原始数据之间的差异;
分类单元,被配置为对所述第一对抗数据进行分类处理,得到所述第一对抗数据的类别;
训练单元,被配置为根据所述判别结果和所述类别,对所述对抗数据生成模型和所述判别模型进行训练,以使所述对抗数据生成模型生成的对抗数据与对应的原始数据被划分为不同的类别,且所述对抗数据生成模型生成的对抗数据与对应的原始数据之间的差异趋向于最小。
8.根据权利要求7所述的装置,其特征在于,所述判别结果包括所述第一原始数据对应的第一数据和所述第一对抗数据对应的第二数据;
所述训练单元,包括:
第一训练子单元,被配置为根据所述第二数据、所述类别和生成损失函数,对所述对抗数据生成模型进行训练,以使所述生成损失函数的输出值趋向于最小;
第二训练子单元,被配置为根据所述第一数据、所述第二数据和判别损失函数,对所述判别模型进行训练,以使所述判别损失函数的输出值趋向于最小。
9.一种用于生成对抗数据的处理设备,其特征在于,所述处理设备包括:
一个或多个处理器;
用于存储所述一个或多个处理器可执行命令的易失性或非易失性存储器;
其中,所述一个或多个处理器被配置为执行权利要求1至权利要求5任一项所述的对抗数据生成方法。
10.一种非临时性计算机可读存储介质,当所述存储介质中的指令由处理设备的处理器执行时,使得所述处理设备能够执行权利要求1至权利要求5任一项所述的对抗数据生成方法。
CN201910078641.1A 2019-01-28 2019-01-28 对抗数据生成方法、装置、设备及存储介质 Pending CN111488895A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910078641.1A CN111488895A (zh) 2019-01-28 2019-01-28 对抗数据生成方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910078641.1A CN111488895A (zh) 2019-01-28 2019-01-28 对抗数据生成方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN111488895A true CN111488895A (zh) 2020-08-04

Family

ID=71795822

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910078641.1A Pending CN111488895A (zh) 2019-01-28 2019-01-28 对抗数据生成方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111488895A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112333402A (zh) * 2020-10-20 2021-02-05 浙江大学 一种基于声波的图像对抗样本生成方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112333402A (zh) * 2020-10-20 2021-02-05 浙江大学 一种基于声波的图像对抗样本生成方法及系统

Similar Documents

Publication Publication Date Title
CN108401124B (zh) 视频录制的方法和装置
CN109522426B (zh) 多媒体数据推荐方法、装置、设备及计算机可读存储介质
CN109829864B (zh) 图像处理方法、装置、设备及存储介质
CN110839128B (zh) 拍照行为检测方法、装置及存储介质
CN110933468A (zh) 播放方法、装置、电子设备及介质
CN110650379B (zh) 视频摘要生成方法、装置、电子设备及存储介质
CN109522863B (zh) 耳部关键点检测方法、装置及存储介质
CN110705614A (zh) 模型训练方法、装置、电子设备及存储介质
CN111488895A (zh) 对抗数据生成方法、装置、设备及存储介质
CN111982293B (zh) 体温测量方法、装置、电子设备及存储介质
CN112907725A (zh) 图像生成、图像处理模型的训练、图像处理方法和装置
CN110070143B (zh) 获取训练数据的方法、装置、设备及存储介质
CN111586279B (zh) 确定拍摄状态的方法、装置、设备及存储介质
CN110675473A (zh) 生成gif动态图的方法、装置、电子设备及介质
CN112308104A (zh) 异常识别方法、装置及计算机存储介质
CN111723615A (zh) 对检测物图像进行检测物匹配判定的方法和装置
CN110853124A (zh) 生成gif动态图的方法、装置、电子设备及介质
CN111488898A (zh) 对抗数据获取方法、装置、设备及存储介质
CN111382771A (zh) 数据分类方法、装置、设备及存储介质
CN110543862B (zh) 数据获取方法、装置及存储介质
CN111586413B (zh) 视频调整方法、装置、计算机设备及存储介质
CN113065457A (zh) 人脸检测点处理方法、装置、计算机设备及存储介质
CN110807486A (zh) 类别标签的生成方法、装置、电子设备及存储介质
CN113709353A (zh) 图像采集方法和设备
CN112836714A (zh) 一种智能模型的训练方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination