CN112907552A - 图像处理模型的鲁棒性检测方法、设备及程序产品 - Google Patents

Abstract

本申请公开了图像处理模型的鲁棒性检测方法、设备及程序产品，涉及人工智能、计算机视觉、图像处理、语义分割领域。该方法包括：获取待处理图像；确定本次迭代的损失函数梯度，并根据本次迭代的损失函数梯度确定扰动量，按照扰动量在待处理图像上增加扰动，将扰动后的待处理图像输入至图像处理模型，迭代执行本步骤，直至图像处理模型输出的扰动结果满足预设条件，其中，损失函数为图像处理模型输出的扰动结果与目标结果的函数；根据迭代过程中的所有损失函数梯度，确定图像处理模型的鲁棒性检测结果。该方法实现了图像处理模型的鲁棒性检测。

Description

图像处理模型的鲁棒性检测方法、设备及程序产品

技术领域

本申请实施例涉及人工智能技术，尤其涉及一种图像处理模型的鲁棒性检测方法、设备及程序产品，可用于计算机视觉、图像处理、语义分割领域。

背景技术

近年来，深度学习技术发展迅速，尤其是在图像处理领域内，深度学习有了越来越多的应用场景。

有研究发现，在深度学习模型的输入图像中添加细微的扰动，这些扰动人类肉眼不易察觉，但却可能导致深度学习模型产生意想不到的错误输出，因此关于深度学习模型的抗扰动能力，即深度学习模型的鲁棒性的检测是一个亟待解决的问题。

发明内容

本申请提供了一种用于模型鲁棒性检测的图像处理模型的鲁棒性检测方法、设备及程序产品。

根据本申请的一方面，提供了一种图像处理模型的鲁棒性检测方法，包括：

获取待处理图像；

确定本次迭代的损失函数梯度，并根据所述本次迭代的损失函数梯度确定扰动量，按照所述扰动量在所述待处理图像上增加扰动，将扰动后的所述待处理图像输入至所述图像处理模型，迭代执行本步骤，直至所述图像处理模型输出的扰动结果满足预设条件，其中，所述损失函数为所述图像处理模型输出的扰动结果与目标结果的函数；

根据迭代过程中的所有损失函数梯度，确定所述图像处理模型的鲁棒性检测结果。

根据本申请的另一方面，提供了一种图像处理模型的鲁棒性检测装置，包括：

获取模块，用于获取待处理图像；

扰动模块，用于确定本次迭代的损失函数梯度，并根据所述本次迭代的损失函数梯度确定扰动量，按照所述扰动量在所述待处理图像上增加扰动，将扰动后的所述待处理图像输入至所述图像处理模型，迭代执行本步骤，直至所述图像处理模型输出的扰动结果满足预设条件，其中，所述损失函数为所述图像处理模型输出的扰动结果与目标结果的函数；

确定模块，用于根据迭代过程中的所有损失函数梯度，确定所述图像处理模型的鲁棒性检测结果。

根据本申请的再一方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述第一方面所述的方法。

根据本申请的又一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行上述第一方面所述的方法。

根据本申请的又一方面，提供了一种计算机程序产品，所述程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面所述的方法。

根据本申请的技术方案，实现了对图像处理模型的鲁棒性检测。

应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是根据本申请实施例提供的图像处理模型的鲁棒性检测的流程示意图；

图2是根据本申请实施例提供的输入图像示意图；

图3是根据本申请实施例提供的图像处理模型的输出结果示意图一；

图4是根据本申请实施例提供的目标掩码示意图；

图5是根据本申请实施例提供的图像处理模型的输出结果示意图二；

图6是根据本申请实施例提供的元素调试装置的结构示意图；

图7是用来实现本申请实施例的元素调试方法的电子设备的示意性框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

对本申请实施例中涉及的概念进行介绍：对抗样本，是指在数据集中通过故意添加细微的干扰所形成的输入样本，对抗样本会导致模型以高置信度给出一个错误的输出。

针对图像处理模型，在输入图像中添加了细微扰动的对抗样本，这些扰动人类肉眼不易察觉，但却会导致图像处理模型输出错误的图像处理结果。因此，为了检测图像处理模型的鲁棒性，首先需要能获取到图像处理模型的对抗样本，也就是需要确定图像处理模型在什么样的扰动下会输出错误的图像处理结果，之后才能据此确定图像处理模型的抗扰动能力，即鲁棒性。

为此，本申请提出一种图像处理模型的鲁棒性检测方法，通过在输入图像处理模型的待处理图像上增加扰动，并根据损失函数梯度对扰动量进行更新，不断确定图像处理模型输出的扰动结果，直至扰动结果满足预设条件，即直至确定出一个对抗样本。由于上述确定对抗样本的过程中的所有损失函数梯度可以体现增加在待处理图像上的扰动量的大小，因此可以根据所有损失函数梯度，确定图像处理模型的鲁棒性检测结果。

下面，将通过具体的实施例对本申请提供的图像处理模型的鲁棒性检测方法进行详细地说明。可以理解的是，下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。方法可以应用于图像语义分割模型、图像分类模型和图像目标检测模型中，在下述实施例中以图像语义分割模型为例进行说明。

图1是根据本申请实施例提供的图像处理模型的鲁棒性检测方法的流程示意图。如图1所示，该方法包括：

S101、获取待处理图像。

待处理图像，即图像处理模型的输入图像，以图像处理模型为图像语义分割模型为例，待处理图像是输入至图像语义分割模型以进行语义分割的图像。

S102、确定本次迭代的损失函数梯度，并根据本次迭代的损失函数梯度确定扰动量，按照扰动量在待处理图像上增加扰动，将扰动后的待处理图像输入至图像处理模型，迭代执行本步骤，直至图像处理模型输出的扰动结果满足预设条件。

其中，损失函数为图像处理模型输出的扰动结果与目标结果的函数。损失函数体现了在待处理图像上增加扰动的优化目标，也就是对图像处理模型进行对抗攻击的优化目标。损失函数可以采用但不限于交叉熵损失函数、Focal loss、Dice loss、IOU loss等函数。

损失函数梯度表示损失函数对输入的待处理图像的梯度，在迭代过程中，根据损失函数梯度确定扰动量，并在待处理图像上增加扰动，使得扰动后图像处理模型输出的扰动结果，该迭代过程实际上时确定图像处理模型的对抗样本的过程。当扰动后图像处理模型输出的扰动结果满足预设条件，即完成对图像处理模型的对抗攻击，此时，输入至图像处理模型的扰动后的待处理图像即为一个对抗样本，图像处理模型输出的扰动结果为错误的处理结果。

S103、根据迭代过程中的所有损失函数梯度，确定图像处理模型的鲁棒性检测结果。

迭代过程中的损失函数梯度体现了迭代过程中增加在待处理图像上的扰动量，根据迭代过程中的所有损失函数梯度，即可确定图像处理模型对抗扰动的能力，即图像处理模型的鲁棒性检测结果。

本申请实施例提供的图像处理模型的鲁棒性检测方法，通过在输入至图像处理模型的待处理图像上增加扰动，并根据损失函数梯度对扰动量进行更新以进行迭代，直至完成对图像处理模型的对抗攻击，之后根据迭代过程中的损失函数梯度来确定图像处理模型的鲁棒性，实现了模型的鲁棒性检测。

对上述实施例中如何确定扰动量以及如何确定完成对抗攻击进行说明。在后续实施例中，以图像处理模型为图像语义分割模型为例进行说明。图像语义分割是一种对图像中的每一个像素点的类别进行分类的计算机视觉任务，也就是像素级别的分类。

在图像语义分割模型的输入图像上增加扰动，也就是对图像语义分割模型进行对抗攻击，可以包括两种情况：非定向攻击和定向攻击。其中，非定向攻击是指，对抗样本能使得图像语义分割模型对物体分类错误即可，但并不指定分类错成哪一类。定向攻击是指，对抗样本使得图像语义分割模型输出的类别发生错误，且该类别可以被人为指定，并且使得分类的物体位置信息发生错误，且该位置可以被人为指定。

首先，定义通用语义分割模型f_ω，其中ω为语义分割模型参数，输入图像矩阵为x，语义分割模型输出的像素点概率图为y，则有如下关系：

y＝f_ω(x) (1)

若输入图像x的扰动量是σ，扰动后的语义分割模型输出的像素点概率图是y^attack，则有如下关系：

y^attack＝f_ω(x+σ) (2)

其中，若输入图像的宽和高分别为W和H，输入图像的批量大小(batch size)为B，语义分割模型为K类，该K类可以包含背景类，且每个像素的类别标签都是一位有效(one-hot)编码，则y^attack为B*K*H*W的数组。

在输入图像上增加扰动，也就是对语义分割模型进行对抗攻击，确定语义分割模型的对抗样本，就是求解上述扰动量σ的过程。以下分别针对上述非定向攻击和定向攻击进行说明。

一、非定向攻击

非定向攻击的损失函数是对输入图像增加扰动后的扰动结果y^attack与目标结果的函数，其中，目标结果是将输入图像输入至图像语义分割模型得到的上述公式(1)中的y，优化的目标是使得扰动结果y^attack远离y。

其中，本次迭代的扰动量根据本次迭代的损失函数梯度、学习率以及前一次迭代的扰动量确定，具体可以根据前一次迭代的扰动量与损失函数梯度和学习率的乘积的和，确定扰动量。

示例的，损失函数表示为L(f_ω(x+σ)，y)，L包括但不限于交叉熵损失函数、Focalloss、Dice loss、IOU loss等语义分割训练常见的损失函数，假设扰动量为σ，则扰动量的每次更新迭代的公式为：

其中，σⁿ为本次迭代的扰动量，σ^n-1为前一次迭代的扰动量，

表示损失函数对输入图像x的梯度，α表示学习率，y表示将没有扰动的输入图像x输入至图像语义分割模型得到的结果，σ⁰表示初始扰动量，初始扰动可以为0也可以是(-ε，+ε)之间的随机初始扰动(ε是一个接近于0的超参数)。

公式(3)中的非定向攻击中，σⁿ的更新是沿着梯度上升的方向进行更新，这样每次迭代都会增加损失函数L(f_ω(x+σ)，y)的值，即扰动后的扰动结果y^attack与y的损失函数增加，即扰动结果y^attack与y发生偏离，直至扰动结果y^attack满足预设条件，则完成对语义分割模型的非定向攻击。

可选的，采用y^attack和y的平均交并比(mIoU)来定量确定对图像语义分割模型的攻击效果，mIoU越小则攻击效果越好。当图像语义分割模型输出的扰动结果y^attack与目标结果y的平均交并比小于或等于第一阈值，则表示非定向攻击完成。非定向攻击完成时，输入至语义分割模型中的增加了扰动的输入图像，即为对抗样本，通过非定向攻击，可以改变语义分割模型输出的类别。

在上述非定向攻击的基础，确定图像语义分割模型的鲁棒性的方法如下：

S1：获取输入图像x，图像语义分割模型f_ω。

S2：初始化mIoU阈值，即第一阈值，初始扰动量σ⁰，以及扰动量累加值r₀，r₀为尺寸与x一致且值为0的数组。

S3：将输入图像x输入至图像语义分割模型得到：y＝f_ω(x)。

S4：按照

公式更新扰动量σⁿ，并将扰动的输入图像x+σⁿ输入至图像语义分割模型得到y^attack。

S5：计算梯度绝对值的累加和

S7：当y^attack和y的mIoU小于或等于第一阈值，则确定非定向攻击完成返回r_n，否则循环执行S4-S5直到攻击完成。

通过上述方法，根据迭代过程中的所有损失函数梯度的绝对值累加和，即可确定图像处理模型的鲁棒性检测结果，鲁棒性检测结果与损失函数梯度的绝对值累加和正相关，梯度绝对值的累加和越大，则图像语义分割模型的鲁棒性越好，梯度绝对值的累加和r_n越小，则图像语义分割模型的鲁棒性越差。

此外，对于不同的图像语义分割模型，可以按照上述的方法分别执行，以确定针对每个图像语义分割模型得到的梯度绝对值的累加和r_n。在相同的第一阈值条件下(即同等攻击对抗强度下)，梯度绝对值的累加和r_n越大的模型，具有更好的鲁棒性。

可选的，在检测模型鲁棒性时，可以选择多个输入图像，求解多个输入图像攻击完成时r_n的平均值，从而获得更准确的检测结果。

可选的，通过设置不同的第一阈值，按照上述方法，确定完成不同的攻击效果时的不同的梯度绝对值的累加和r_n，从而确定在不同攻击对抗强度下图像语义分割模型的鲁棒性，可以定量的综合评价模型在各种条件下的抗扰动的能力。

二、定向攻击

定向攻击的损失函数是对输入图像增加扰动后的扰动结果y^attack与目标结果的函数，其中，目标结果是预先设定的，且目标结果与将待处理图像输入至图像处理模型得到的结果y不同，优化的目标是使得扰动结果y^attack接近目标结果。定向攻击中的目标结果也可称为目标掩码，记为y^target，y^target为B*K*H*W的数组。示例的，输入图像x如图2所示，结果y如图3所示，目标掩码y^target如图4所示。

其中，本次迭代的扰动量根据本次迭代的损失函数梯度、学习率以及前一次迭代的扰动量确定，具体可以根据前一次迭代的扰动量与损失函数梯度和学习率的乘积的差，确定扰动量σ。

示例的，损失函数表示为L(f_ω(x+σ)，y^target)，L包括但不限于交叉熵损失函数、Focal loss、Dice loss、IOU loss等语义分割训练常见的损失函数。示例的，采用交叉熵损失函数，则损失函数如下：

L(f_ω(x+σ)，y^target)＝-(y^target·log(y^attack)+(1-y^target)·log(1-y^attack)) (4)

扰动量的每次更新迭代的公式为：

其中，σⁿ为本次迭代的扰动量，σ^n-1为前一次迭代的扰动量，

表示损失函数对输入图像x的梯度，α表示学习率，σ⁰表示初始扰动量，初始扰动可以为0也可以是(-ε，+ε)之间的随机初始扰动(ε是一个接近于0的超参数)。

公式(5)中的定向攻击中，σⁿ的更新是沿着梯度下降的方向进行更新，这样每次迭代都会减小损失函数L(f_ω(x+σ)，y^target)的值，即扰动后的扰动结果y^attack与y^target的损失函数减小，即扰动结果y^attack与y^targe逐渐接近，直至扰动结果y^attack满足预设条件，则完成对语义分割模型的定向攻击。

可选的，采用y^attack和y^target的平均交并比(mIoU)来定量确定对图像语义分割模型的攻击效果，mIoU越大则攻击效果越好。当图像语义分割模型输出的扰动结果y^attack与y^target的平均交并比大于或等于第二阈值，则表示定向攻击完成。其中，mIoU的计算公式为：

示例的，扰动结果y^attack如图5所示，可以看出，定向攻击完成后，模型的扰动结果y^attack与预设设定的目标掩码y^target一致，而与y远离。定向攻击完成时，输入至语义分割模型中的增加了扰动的输入图像，即为对抗样本。在定向攻击中，通过预先设置的目标掩码，可以同时改变语义分割模型输出的类别、物理位置和掩码形状。

在上述定向攻击的基础，确定图像语义分割模型的鲁棒性的方法如下：

S1：获取输入图像x，图像语义分割模型f_ω。

S2：初始化mIoU阈值，即第二阈值，初始扰动量σ⁰，以及扰动量累加值r₀，r₀为尺寸与x一致且值为0的数组。

S3：按照

公式更新扰动量σⁿ，并将扰动的输入图像x+σⁿ输入至图像语义分割模型得到y^attack。

S4：计算梯度绝对值的累加和

S5：当y^attack和y的mIoU大于或等于第二阈值，则确定定向攻击完成返回r_n，否则循环执行S3～S4直到攻击完成。

通过上述方法，根据迭代过程中的所有损失函数梯度的绝对值累加和，即可确定图像处理模型的鲁棒性检测结果，鲁棒性检测结果与损失函数梯度的绝对值累加和正相关，梯度绝对值的累加和越大，则图像语义分割模型的鲁棒性越好，梯度绝对值的累加和r_n越小，则图像语义分割模型的鲁棒性越差。

此外，对于不同的图像语义分割模型，可以按照上述的方法分别执行，以确定针对每个图像语义分割模型得到的梯度绝对值的累加和r_n。在相同的第二阈值条件下(即同等攻击对抗强度下)，梯度绝对值的累加和r_n越大的模型，具有更好的鲁棒性。

可选的，在检测模型鲁棒性时，可以选择多个输入图像，求解多个输入图像攻击完成时r_n的平均值，从而获得更准确的检测结果。

可选的，通过设置不同的第二阈值，按照上述方法，确定完成不同的攻击效果时的不同的梯度绝对值的累加和r_n，从而确定在不同攻击对抗强度下图像语义分割模型的鲁棒性，可以定量的综合评价模型在各种条件下的抗扰动的能力。

在上述实施例的基础上，对上述非定向攻击和定向攻击中的损失函数和扰动量更新方法作进一步说明。

可选的，本申请实施例中可以约束扰动量σ的大小来使得图像扰动不易被肉眼察觉，通过设置损失函数为图像处理模型输出的扰动结果、目标结果与扰动量的函数，例如，在公式(4)中的损失函数增加扰动量σ二范数，最小化损失函数会约束扰动量σ趋近于0，损失函数的形式是：

其中，θ为超参数，目的是为了平衡扰动量和交叉熵损失两者的比重，使得扰动量最小的情况下达到最佳的攻击效果。

可选的，本申请实施例中可以将学习率α的衰减引入到对抗样本的生成，包括但不限于指数衰减、多步衰减、余弦退火等学习率衰减策略。例如，采用指数衰减，则学习率计算公式为：

α＝α₀·e^-kt (8)

式中α₀是初始学习率，t是迭代次数，k为超参数。

可选的，本申请实施例中可以将动量法引入对抗样本的生成，即在迭代过程中沿损失函数的梯度方向累积速度矢量来加速梯度下降，使得模型优化速度更快。例如，采用一阶动量法来更新扰动量，则公式(4)中的扰动量更新公式变为：

σⁿ＝σ^n-1-α*m_n (10)

其中ξ、η为一阶动量的超参数，m_n表示本次迭代的梯度，m_n-1为本次迭代之前的累积梯度。

图6是根据本申请实施例提供的图像处理模型的鲁棒性检测装置的结构示意图。如图6所示，图像处理模型的鲁棒性检测装置600包括：

获取模块601，用于获取待处理图像；

扰动模块602，用于确定本次迭代的损失函数梯度，并根据本次迭代的损失函数梯度确定扰动量，按照扰动量在待处理图像上增加扰动，将扰动后的待处理图像输入至图像处理模型，迭代执行本步骤，直至图像处理模型输出的扰动结果满足预设条件，其中，损失函数为图像处理模型输出的扰动结果与目标结果的函数；

确定模块603，用于根据迭代过程中的所有损失函数梯度，确定图像处理模型的鲁棒性检测结果。

可选的，扰动模块602包括：

扰动单元，用于根据本次迭代的损失函数梯度、学习率以及前一次迭代的扰动量确定扰动量。

可选的，目标结果是将待处理图像输入至图像处理模型得到的；

扰动单元包括：

第一扰动子单元，用于根据前一次迭代的扰动量与损失函数梯度和学习率的乘积的和，确定扰动量。

可选的，图像处理模型输出的扰动结果满足预设条件，包括：

图像处理模型输出的扰动结果与目标结果的平均交并比小于或等于第一阈值。

可选的，目标结果是预先设定的，且目标结果与将待处理图像输入至图像处理模型得到的结果不同；

扰动单元包括：

第二扰动子单元，用于根据前一次迭代的扰动量与损失函数的梯度和学习率的乘积的差，确定扰动量。

可选的，图像处理模型输出的扰动结果满足预设条件，包括：

图像处理模型输出的扰动结果与目标结果的平均交并比大于或等于第二阈值。

可选的，确定模块603包括：

确定单元，用于根据迭代过程中的所有损失函数梯度的绝对值累加和，确定图像处理模型的鲁棒性检测结果，鲁棒性检测结果与损失函数梯度的绝对值累加和正相关。

可选的，损失函数为图像处理模型输出的扰动结果、目标结果与扰动量的函数。

本申请实施例提供的图像处理模型的鲁棒性检测装置可用于执行上述方法实施例中的图像处理模型的鲁棒性检测方法，其实现原理和技术效果类似，此处不再赘述。

根据本申请的实施例，本申请还提供了一种电子设备和存储有计算机指令的非瞬时计算机可读存储介质。

根据本申请的实施例，本申请还提供了一种计算机程序产品，程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。

图7是用来实现本申请实施例的图像处理模型的鲁棒性检测方法的电子设备的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图7所示，电子设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如图像处理模型的鲁棒性检测方法。例如，在一些实施例中，图像处理模型的鲁棒性检测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的图像处理模型的鲁棒性检测方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图像处理模型的鲁棒性检测方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (19)

1.一种图像处理模型的鲁棒性检测方法，包括：

获取待处理图像；

确定本次迭代的损失函数梯度，并根据所述本次迭代的损失函数梯度确定扰动量，按照所述扰动量在所述待处理图像上增加扰动，将扰动后的所述待处理图像输入至所述图像处理模型，迭代执行本步骤，直至所述图像处理模型输出的扰动结果满足预设条件，其中，所述损失函数为所述图像处理模型输出的扰动结果与目标结果的函数；

根据迭代过程中的所有损失函数梯度，确定所述图像处理模型的鲁棒性检测结果。

2.根据权利要求1所述的方法，所述根据所述本次迭代的损失函数梯度确定扰动量，包括：

根据所述本次迭代的损失函数梯度、学习率以及前一次迭代的扰动量确定所述扰动量。

3.根据权利要求2所述的方法，所述目标结果是将所述待处理图像输入至所述图像处理模型得到的；

所述根据所述本次迭代的损失函数梯度、学习率以及前一次迭代的扰动量确定所述扰动量，包括：

根据前一次迭代的扰动量与所述损失函数梯度和学习率的乘积的和，确定所述扰动量。

4.根据权利要求3所述的方法，所述图像处理模型输出的扰动结果满足预设条件，包括：

所述图像处理模型输出的扰动结果与目标结果的平均交并比小于或等于第一阈值。

5.根据权利要求2所述的方法，所述目标结果是预先设定的，且所述目标结果与将所述待处理图像输入至所述图像处理模型得到的结果不同；

所述根据所述本次迭代的损失函数梯度、学习率以及前一次迭代的扰动量确定所述扰动量，包括：

根据前一次迭代的扰动量与所述损失函数的梯度和学习率的乘积的差，确定所述扰动量。

6.根据权利要求5所述的方法，所述图像处理模型输出的扰动结果满足预设条件，包括：

所述图像处理模型输出的扰动结果与目标结果的平均交并比大于或等于第二阈值。

7.根据权利要求1-6中任一项所述的方法，所述根据迭代过程中的所有损失函数梯度，确定所述图像处理模型的鲁棒性检测结果，包括：

根据迭代过程中的所有损失函数梯度的绝对值累加和，确定所述图像处理模型的鲁棒性检测结果，所述鲁棒性检测结果与所述损失函数梯度的绝对值累加和正相关。

8.根据权利要求1-6中任一项所述的方法，所述损失函数为所述图像处理模型输出的扰动结果、所述目标结果与所述扰动量的函数。

9.一种图像处理模型的鲁棒性检测装置，包括：

获取模块，用于获取待处理图像；

扰动模块，用于确定本次迭代的损失函数梯度，并根据所述本次迭代的损失函数梯度确定扰动量，按照所述扰动量在所述待处理图像上增加扰动，将扰动后的所述待处理图像输入至所述图像处理模型，迭代执行本步骤，直至所述图像处理模型输出的扰动结果满足预设条件，其中，所述损失函数为所述图像处理模型输出的扰动结果与目标结果的函数；

确定模块，用于根据迭代过程中的所有损失函数梯度，确定所述图像处理模型的鲁棒性检测结果。

10.根据权利要求9所述的装置，所述扰动模块包括：

扰动单元，用于根据所述本次迭代的损失函数梯度、学习率以及前一次迭代的扰动量确定所述扰动量。

11.根据权利要求10所述的装置，所述目标结果是将所述待处理图像输入至所述图像处理模型得到的；

所述扰动单元包括：

第一扰动子单元，用于根据前一次迭代的扰动量与所述损失函数梯度和学习率的乘积的和，确定所述扰动量。

12.根据权利要求11所述的装置，所述图像处理模型输出的扰动结果满足预设条件，包括：

所述图像处理模型输出的扰动结果与目标结果的平均交并比小于或等于第一阈值。

13.根据权利要求10所述的装置，所述目标结果是预先设定的，且所述目标结果与将所述待处理图像输入至所述图像处理模型得到的结果不同；

所述扰动单元包括：

第二扰动子单元，用于根据前一次迭代的扰动量与所述损失函数的梯度和学习率的乘积的差，确定所述扰动量。

14.根据权利要求13所述的装置，所述图像处理模型输出的扰动结果满足预设条件，包括：

所述图像处理模型输出的扰动结果与目标结果的平均交并比大于或等于第二阈值。

15.根据权利要求9-14中任一项所述的装置，所述确定模块包括：

确定单元，用于根据迭代过程中的所有损失函数梯度的绝对值累加和，确定所述图像处理模型的鲁棒性检测结果，所述鲁棒性检测结果与所述损失函数梯度的绝对值累加和正相关。

16.根据权利要求9-14中任一项所述的装置，所述损失函数为所述图像处理模型输出的扰动结果、所述目标结果与所述扰动量的函数。

17.一种电子设备，包括：

至少一个处理器；以及与所述至少一个处理器通信连接的存储器；

其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。

18.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的方法。

19.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现权利要求1-8中任一项所述的方法。

Images