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！

龙图腾网恭喜成都大学申请的专利一种面向人脸验证的鲁棒神经网络架构搜索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：CN119068307B 。

龙图腾网通过国家知识产权局官网在2025-04-29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：202411120341.2，技术领域涉及：G06V10/82；该发明授权一种面向人脸验证的鲁棒神经网络架构搜索方法是由黄月;张楗伟;卢智贤;张皓然;赵宇铖;曹自强;张吉;陈奕;郭玮瞳;李佳欢设计研发完成，并于2024-08-15向国家知识产权局提交的专利申请。

本一种面向人脸验证的鲁棒神经网络架构搜索方法在说明书摘要公布了：本发明公开了一种面向人脸验证的鲁棒神经网络架构搜索方法，包括如下步骤：步骤1、收集人脸图像数据形成样本集；步骤2、初始化神经网络架构种群：选择ArcFace作为基础模型，并基于此模型设计搜索空间；步骤3、进行种群迭代，形成新的种群；步骤4、评估架构鲁棒性；步骤5、架构选择：每一次循环从种群中选取若干候选架构，将扰动幅度大于预设阈值的候选架构淘汰；步骤6、输出最优架构：选择保留下来种群中扰动幅度最低且在其他指标上表现均衡的架构作为最终输出架构，将该架构用于人脸图像识别模型，并利用样本训练该人脸图像识别模型。本发明通过在演化算法的基础上引入特征空间扰动量化的概念，实现了鲁棒神经网络集成架构的自动化搜索。

本发明授权一种面向人脸验证的鲁棒神经网络架构搜索方法在权利要求书中公布了：1.一种面向人脸验证的鲁棒神经网络架构搜索方法，其特征在于，包括如下步骤：步骤1、收集人脸图像数据集，对每张图像进行数据标注，形成一个有标签的数据样本集；步骤2、初始化神经网络架构种群：选择ArcFace作为基础模型，并基于此模型设计搜索空间；具体流程包括以下步骤：步骤21、选择基础模型：选择ArcFace作为基础模型，下载并加载该基础模型的预训练权重，ArcFace首先应用卷积层提取输入数据中的特征，然后使用归一化层来稳定和加速训练过程；之后再应用激活函数来增加模型的非线性能力；最后使用池化层来下采样特征图；步骤22、基于ArcFace设计搜索空间：采用ArcFace网络的基础组件作为搜索空间的候选操作，设计一个综合的搜索空间；在该搜索空间中，卷积层分别设计不同大小的卷积核和不同数量的卷积层；激活函数、池化层、归一化层分别包括多种不同的类型；步骤23、定义候选架构集合：使用不同组合的卷积层、激活函数、池化层、归一化层生成多个候选架构；候选架构采用WideResNet网络，WideResNet网络首先通过一个卷积层提取图像的初步空间特征，然后依次通过三个残差块进一步的处理特征；残差块将输出传递给归一化层和激活函数；然后再输入平均池化层进行处理；步骤24、实现搜索空间：使用TensorFlow或PyTorch深度学习框架，实现设计好的搜索空间；步骤25、从定义的候选网络架构集合中，随机选择多个架构，作为初始种群；步骤3、进行种群迭代：从初始种群中随机选择两个架构作为父母架构，然后从父母架构中随机选择部分组件组成子架构，最后将生成的子架构添加到种群中，与原有种群合并，形成新的种群；步骤4、评估架构鲁棒性：对每个候选架构，输入对抗样本，提取中间层的特征表示，记录特征空间的变化；通过计算原始样本和对抗样本在特征空间中的距离，量化特征空间的扰动幅度，用来衡量搜索空间候选架构的特征抗干扰能力；具体包括以下子步骤：步骤41、对抗样本的生成：分别通过FGSM、BIM、PGD、DeepFool、CW、PGDL2和AutoAttack方法对原始样本进行攻击，生成对抗样本；步骤42、特征表示的提取：从候选架构的中间层提取特征表示，记录对抗样本在特征空间中的变化；特征图记为fr,x′,θa，其中x表示输入的对抗样本，θ表示神经网络模型参数，r表示特征图的空间坐标；步骤43、计算特征扰动幅度：对每个对抗样本和每层特征图，计算在对抗样本下的特征图与原始样本下的特征图的差异，通过求和和平均操作，得到每层特征图的平均扰动幅度；1计算特征图平均值：在每层特征图中，对于每个样本x′，计算其特征图fr,x′,θa的平均值τ，x′表示对抗样本，θa表示架构a对应的神经网络模型参数；2计算每层特征图中高于平均值的部分，并求其积分，得到扰动容量：Volumef,τ＝∫I[frτ]fr-τdrτ为特征图平均值，I·表示指示函数，fr表示特征图；3计算扰动幅度：对于每个样本和每层特征图，计算原始样本和对抗样本的特征图扰动幅度，并取平均值，计算原始样本和对抗样本的特征空间扰动容量差值，作为扰动幅度：Deltaforig,τorig＝Volumeforig,τorig-Volumefadv,τadv；角标orig表示原始样本，adv表示对抗样本；Delta表示原始样本和对抗样本在特征空间的扰动容量差值，扰动容量差值越低；最后求所有中间层扰动幅度的平均值最为候选架构的最终扰动幅度；步骤5、架构选择：采用淘汰与保留策略，每一次循环从种群中选取若干候选架构，计算每个候选架构的扰动幅度，将扰动幅度大于预设阈值的候选架构淘汰；步骤6、输出最优架构：循环结束后，选择保留下来种群中扰动幅度最低且在分类准确率和计算复杂度上表现均衡的架构作为最终输出架构，将该架构用于人脸图像识别模型，并利用样本训练该人脸图像识别模型。

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成都大学，其通讯地址为：610106 四川省成都市外东十陵镇；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”。