一种基于分层特征对齐的鲁棒特征学习方法

摘要

本发明公开了本发明提供一种基于分层特征对齐的鲁棒特征学习方法，包括以下步骤：从输入的不同领域的样本中使用深度卷积神经网络进行深度特征的分层提取；对于提取的分层特征，通过图卷积神经网络给特征的通道和空间关系加以限制，从而使得模型学得更加丰富的特征表示；使用基于最优传输理论的Wasserstein distance来准确的度量不同领域样本特征表示之间的差异；将从不同领域样本中提取的分层特征之间的差异作为模型损失函数的一部分来帮助模型学习更加鲁棒的特征，从而提升深度神经网络模型的对抗鲁棒性。上述技术方案，使得深度网络模型可以学习到鲁棒的特征，避免对抗攻击方法的破坏，从而得到安全、可靠的深度系统。