典型文献
基于对抗样本的深度学习图像压缩感知方法
文献摘要：
压缩感知是研究数据采样压缩与重构的信号处理新理论,近年来研究人员将深度学习运用到图像压缩感知算法中,显著提高了图像重构质量.然而,图像信息常与隐私关联,高质量的重构图像在方便人们观赏的同时,带来了隐私保护的问题.本文基于深度学习理论,提出一种对抗的图像压缩感知方法.该方法将压缩理论和对抗样本技术统一于同一个压缩感知算法,通过设计损失函数,联合重构误差和分类误差来训练压缩感知深度神经网络,使得压缩感知重构样本同时也是一个对抗样本.因此,重构图像在保证重构质量的同时,也能对抗图像分类算法,降低其识别率,达到保护图像隐私的效果.在Cifar-10和MNIST图像集上进行的实验结果表明,和已有的压缩感知方法相比,我们提出的对抗压缩感知方法以损失仅10％的图像重构质量为代价,使得图像分类精度下降了74％,获得了很好的对抗性能.
文献关键词：
对抗样本;深度学习;图像;压缩感知
中图分类号：
作者姓名：
王继良;周四望;金灿灿
作者机构：
湖南大学信息科学与工程学院,湖南长沙410082;长沙环境保护职业技术学院,湖南长沙410004
文献出处：
引用格式：
[1]王继良;周四望;金灿灿-.基于对抗样本的深度学习图像压缩感知方法)[J].湖南大学学报（自然科学版）,2022(04):11-17
A类：
B类：
对抗样本,图像压缩感知,感知方法,研究数据,数据采样,信号处理,压缩感知算法,图像重构,重构质量,图像信息,重构图像,观赏,隐私保护,深度学习理论,同一个,损失函数,重构误差,深度神经网络,图像分类算法,识别率,Cifar,MNIST,抗压缩,分类精度,对抗性
AB值：
0.284998
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
