買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜杭州電子科技大學申請的專利一種干擾生成對抗網絡驅動的知識蒸餾方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN119578507B 。

龍圖騰網通過國家知識產權局官網在2025-04-18發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202510113751.2，技術領域涉及：G06N3/096；該發明授權一種干擾生成對抗網絡驅動的知識蒸餾方法是由張新;陳廷偉;黃嘉;殷昱煜;朱婭妮;王東京設計研發完成，并于2025-01-24向國家知識產權局提交的專利申請。

本一種干擾生成對抗網絡驅動的知識蒸餾方法在說明書摘要公布了：本發明公開了一種干擾生成對抗網絡驅動的知識蒸餾方法，該方法首先獲取由三通道RGB格式圖像構成的圖像分類數據集。其次構建干擾生成對抗網絡AD?GAN，包括教師模型、學生模型和干擾生成模型，三個模型輸入均為圖像分類數據集中的圖像，教師和學生模型輸出為圖像類別預測的置信度向量，干擾生成模型的輸出為帶干擾的圖像。最后對三個模型進行對抗訓練，一個訓練批次分為干擾生成模型訓練階段和學生模型蒸餾訓練階段，兩者的訓練分別使用獨立的優化器，干擾生成模型作為對抗訓練中的生成器，教師和學生模型共同作為判別器。本發明增強了學生模型的泛化能力和抗噪性能，為資源受限場景提供實用且高效的解決方案。

本發明授權一種干擾生成對抗網絡驅動的知識蒸餾方法在權利要求書中公布了：1.一種干擾生成對抗網絡驅動的知識蒸餾方法，其特征在于，包括以下步驟：S1.獲取由三通道RGB格式圖像構成的圖像分類數據集；S2.構建干擾生成對抗網絡AD-GAN，包括教師模型、學生模型和干擾生成模型，三個模型輸入均為圖像分類數據集中的圖像，教師模型和學生模型輸出均為圖像類別預測的置信度向量，干擾生成模型的輸出為帶干擾的圖像；所述干擾生成模型具體實現過程如下：干擾生成模型的輸入為原始樣本圖像和一維隨機向量z∈R1×latent_dim，其中cin是輸入通道數，h和w分別為輸入圖像的長和寬尺寸，latent_dim表示一維隨機向量z的維度；隨機向量z經過embedding嵌入層被映射到維度為h*w的一維向量zemb；將一維向量zemb折疊為單通道，并且與輸入圖像具有相同長寬尺寸的隨機特征圖r，即r∈R1×h×w；然后使用concat拼接操作，將輸入樣本xclean與隨機特征圖r在通道方向上進行拼接，得到拼接后的特征圖xconcat；將特征圖xconcat輸入到干擾生成模型的特征提取器中；特征提取器包含四個特征提取模塊，前三個特征提取模塊Fi，i＝1,2,3，包含依次級聯的卷積變換CONV、歸一化函數BN、ReLU激活函數，對輸入特征圖進行特征提取；第四個特征提取模塊只包含卷積變換，四個塊的輸入輸出長寬尺寸相同，都為h×w，而每個模塊輸入輸出的通道數量不同；特征提取器輸出的通道數量為超參數cout；特征圖xconcat輸入到特征提取器后，得到特征提取器的輸出將Fconv輸入tanh激活函數中，得到生成的擾動信息Fperturb；將擾動信息Fperturb與干擾強度系數相乘，得到干擾δ： 其中，干擾δ的取值范圍為；干擾強度系數，即是服從均勻分布的隨機變量，且每個樣本的互相獨立；為當前輪次內的最大值，且在訓練過程中進行動態更新，即隨著訓練輪次的進行，逐漸增大，上限為；公式表示為： 其中，epoch為當前訓練輪次；warmup_epochs為預熱周期，定義了擾動強度漸進增長的輪次數量；為最大擾動強度超參數；將生成的擾動δ與原始樣本xclean相加，并使用裁剪操作clamp確保擾動樣本的元素取值在[xmin,xmax]范圍內，得到擾動樣本xadv；S3.對AD-GAN中構建的三個模型進行對抗訓練優化，一個訓練批次分為：干擾生成模型訓練階段和學生模型蒸餾訓練階段，兩者的訓練分別使用獨立的優化器，即干擾生成模型和學生模型的訓練參數更新互不干擾，干擾生成模型作為對抗訓練中的生成器，教師模型和學生模型共同作為判別器。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人杭州電子科技大學，其通訊地址為：310018 浙江省杭州市錢塘區白楊街道2號大街1158號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。