一种用于深层神经网络图像分类任务的抗对抗样本攻击池化方法及系统

本发明属于深层神经网络技术领域，公开了一种用于深层神经网络图像分类任务的抗对抗样本攻击池化方法，本发明方法基于统计原理对邻近特征中值的多个特征映射的重要性进行了区分，并混合最大特征映射进行加权，使卷积网络在误差的反向传播过程中不仅降低了权重更新的成本，同时还具有较好的可解释性。本发明还深入分析了该池化操作在对抗样本攻击鲁棒性方面所起到的作用。实验结果表明，在图像分类任务中，本发明提出的池化方法在Cifar100和Cifar10数据集上，在确保网络预测效果的前提下能够有效提升针对对抗样本攻击的鲁棒性。