一种基于监督对比学习的鲁棒训练方法

本发明公开了一种基于监督对比学习的鲁棒训练方法，该方法包括：将图像通过包括旋转、裁剪、颜色抖动或随机灰度在内的变换获得两个增强样本并保存，然后对所述增强样本进行PGD或AutoAttack攻击，改进对比学习方法；并且，将增强样本、对应的对抗样本和数据集中相同标签的样本作为正样本，其它样本作为负样本进行模型训练，采用监督对比损失作为损失函数，得到具有鲁棒性的模型。实验结果表明，本方法不仅保持了对干净样本的分类准确率，而且显著提升了模型对对抗样本的鲁棒性。这一成果为提高深度学习模型在实际应用中的安全性和可靠性提供了新的视角。