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！

龙图腾网获悉西安理工大学申请的专利一种基于不变特征提取的高光谱对抗样本防御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：CN116977694B 。

龙图腾网通过国家知识产权局官网在2026-04-28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：202310327825.3，技术领域涉及：G06V10/764；该发明授权一种基于不变特征提取的高光谱对抗样本防御方法是由石程;刘莹;赵明华;尤珍臻设计研发完成，并于2023-03-30向国家知识产权局提交的专利申请。

本一种基于不变特征提取的高光谱对抗样本防御方法在说明书摘要公布了：本发明公开了一种基于不变特征的高光谱图像对抗防御方法，包括如下：步骤一、构建样本集合；步骤二、预训练深度卷积神经网络分类模型；步骤三、搭建对抗防御模型；步骤四、构造对抗防御模型的损失函数；步骤五、迭代训练对抗防御模型；步骤六、测试训练好的对抗防御模型。采用该对抗防御方法实现了增强卷积神经网络的鲁棒性和提高高光谱分类模型对对抗攻击的分类精度。

本发明授权一种基于不变特征提取的高光谱对抗样本防御方法在权利要求书中公布了：1.一种基于不变特征提取的高光谱对抗样本防御方法，其特征在于，该方法包括如下： 步骤一、构建样本集合： 对高光谱图像的样本集中的每个类别随机选取多个样本组成初始训练样本集合，其余样本组成测试样本集合； 步骤二、预训练深度卷积神经网络分类模型： 步骤三、搭建对抗防御模型： 所述对抗防御模型由扰动解耦网络和重建网络组成，且扰动解耦网络的输出作为所述重建网络的输入； 步骤四、构造对抗防御模型的损失函数： 对抗防御模型的损失函数为：L＝Lpixel+βLattention+γLAIAF+κLHSICF； 其中：β、γ和κ是调节参数，α和β的值均设为0.01，k值是0.0001； Lpixel为像素引导的重建网络损失；Lattention为注意力引导的重建网络损失；LAIAF为不变特征的相似性损失；LHSIC为共同特征和特定扰动特征之间的独立性； 步骤五、迭代训练对抗防御模型： 用两种不同类型的对抗攻击方法攻击所述步骤一中的初始训练样本集合，得到对抗样本，形成新的训练样本集合；将所述新的训练样本集合中的对抗样本同时输入到所述步骤三中的扰动解耦网络，被分解为攻击不变特征xAIAF和特定扰动特征xSPF两部分，将得到的攻击不变特征xAIAF输入到所述重建网络的解码网络，生成和对抗防御模型输入大小相同的重构样本，迭代训练对抗防御模型，直到达到设定的迭代次数，得到训练好的对抗防御模型； 步骤六、测试训练好的对抗防御模型： 将经对抗攻击产生的对抗样本测试集合输入所述步骤五中训练好的对抗防御模型，生成重构样本；将所述重构样本输入到所述步骤二中得到的预训练后的深度卷积神经网络分类模型，前向计算，得到测试样本集合中每一个样本的预测分类结果； 构造所述扰动解耦网络的损失函数：利用相似性度量损失实现不变特征的相似性损失LAIAF，相似性度量损失采用均方误差，如公式A所示： 评估共同特征和特定扰动特征之间的独立性，如公式B所示： LHSIC＝HSICFSPF1,FAIAF1+HSICFSPF2，FAIAF22B； 像素引导的重建网络损失，如公式C所示： 鉴别器损失函数如公式D所示： 注意力引导的重建网络损失如公式E所示： 其中：FAIAF1和FAIAF2指两种不同类型的对抗样本输入经过不变特征提取分支后的输出，FAIAF1T和FTAIAF2是其对应的转置向量； HSICFSPF1,FAIAF1＝n-1-2trRKSPF1RKAIAF1，KSPF1是革兰氏矩阵，和R＝I-1eeT，e表示一个全为1的列向量，KAIAF1、KAIAF2、KSPF2与KSPF1具有相似的表示； x′Re是经过重建网络后的重构样本，x是干净样本，为初始训练样本集合中的样本；式C中的第一项是均方根误差约束；第二项是鉴别器约束，D·是带有二值分类器的鉴别器； h是注意力提取函数，其中yc为目标模型输出概率中真类的概率；Ak为第k个特征映射，选择Ak作为预训练好的深度卷积神经网络分类模型的最后一个卷积层特征；g是一个全局平均池化函数。

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西安理工大学，其通讯地址为：710048 陕西省西安市碑林区金花南路5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。