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！

龙图腾网恭喜南京大学申请的专利一种基于度量学习的图像分类鲁棒性提升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：CN114723990B 。

龙图腾网通过国家知识产权局官网在2025-03-07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：202210336808.1，技术领域涉及：G06V10/764；该发明授权一种基于度量学习的图像分类鲁棒性提升方法是由张利军;汪许垚设计研发完成，并于2022-03-31向国家知识产权局提交的专利申请。

本一种基于度量学习的图像分类鲁棒性提升方法在说明书摘要公布了：本发明公开一种基于度量学习的图像分类鲁棒性提升方法。针对深度学习图像分类任务，获取图像分类任务对应的原数据集，以投影梯度下降的方法针对获取到的原数据集生成对抗样本数据集，将原数据集与生成的对抗样本合并成为新数据集，再将新数据集输入分类器进行模型训练，训练至模型收敛后输出。其中，在分类器模型训练阶段，原有分类器上增加了样本分布约束模块，样本分布约束模块应用度量学习的总损失函数来更新分类器的参数。考虑了正常样本和对抗样本本身的分布约束和空间特征，解决了传统对抗训练融合对抗样本却不考虑样本分布之间的联系的问题，因而提升深度学习图像分类器的鲁棒性，在应对传统白盒对抗样本攻击的情况下有更好的表现。

本发明授权一种基于度量学习的图像分类鲁棒性提升方法在权利要求书中公布了：1.一种基于度量学习的图像分类鲁棒性提升方法，其特征在于，包括如下步骤：步骤1，获取图像分类任务对应的原数据集H；步骤2，以投影梯度下降的方法针对获取到的所述原数据集H生成对抗样本数据集Hadv；步骤3，将所述原数据集H与生成的所述对抗样本数据集Hadv合并成为新数据集H*；步骤4，再将所述新数据集H*输入分类器进行模型训练，训练至模型收敛后输出；在所述分类器模型训练阶段，原有分类器上增加了样本分布约束模块，所述样本分布约束模块应用度量学习的总损失函数来更新分类器的参数；步骤2中，所述对抗样本数据集Hadv生成的步骤为：步骤2.1，设置所述投影梯度下降方法中迭代轮数k和步长γ的参数；步骤2.2，设置所述投影梯度下降方法攻击所用的交叉熵损失函数步骤2.3，在所述原数据集H中依次提取每一对原始样本；步骤2.4，利用递推公式将所述原始样本迭代生成对应的对抗样本；步骤2.5，将生成的所述对抗样本加入至所述对抗样本数据集Hadv中；步骤2.6，循环重复直至每对所述原始样本均生成对应的所述对抗样本，输出组成所述对抗样本数据集Hadv；所述对抗样本的递推公式定义为： xk＝clipxk,xk-∈,xk+∈，其中，k为迭代轮数的符号，γ为步长，∈为裁剪参数。

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南京大学，其通讯地址为：210046 江苏省南京市栖霞区仙林大道163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”。