多图像全景颜色特征分布线性变换不变性校正算法

针对多图像全景中颜色不一致问题,本文提出一种多图像全景颜色特征分布线性变换不变性校正算法。首先,利用相邻图像直方图形状的线性变换不变性,计算出相邻图像之间的颜色校正参数,然后,利用参数传递得到非相邻图像之间的颜色校正参数;为了得到具有颜色一致性的全景图像,并降低参数传递所带来的误差,通过构建基准图像度量函数选择最优的基准图像,并以基准图像为源点,利用单源最短路径算法优化获取各个图像到基准图像的传递路径。实验结果表明,该算法能够增强多图像全景颜色的一致性,而且对于光照和视角的变化也具有较好的鲁棒性。

结合自适应步长策略和数据增强机制提升对抗攻击迁移性

深度神经网络具有脆弱性,容易被精心设计的对抗样本攻击.梯度攻击方法在白盒模型上攻击成功率较高,但在黑盒模型上的迁移性较弱.基于Heavy-ball型动量和Nesterov型动量的梯度攻击方法由于在更新方向上考虑了历史梯度信息,提升了对抗样本的迁移性.为了进一步使用历史梯度信息,本文针对收敛性更好的Nesterov型动量方法,使用自适应步长策略代替目前广泛使用的固定步长,提出了一种方向和步长均使用历史梯度信息的迭代快速梯度方法(Nesterov and Adaptive-learning-rate based Iterative Fast Gradient Method,NAI-FGM).此外,本文还提出了一种线性变换不变性(Linear-transformation Invariant Method,LIM)的数据增强方法 .实验结果证实了NAI-FGM攻击方法和LIM数据增强策略相对于同类型方法均具有更高的黑盒攻击成功率.组合NAI-FGM方法和LIM策略生成对抗样本,在常规训练模型上的平均黑盒攻击成功率达到87.8%,在对抗训练模型上的平均黑盒攻击成功率达到57.5%,在防御模型上的平均黑盒攻击成功率达到67.2%,均超过现有最高水平.