一种基于图像频域处理的自监督学习模型漏洞检测方法

本发明涉及人工智能与的数字图像处理技术领域，现有技术难以基于训练数据检测自监督学习模型深层漏洞，所以提出一种基于图像频域处理的自监督学习模型漏洞检测方法。该方法选取触发图像及目标类别样本进行傅里叶变换，获得幅值与相位信息。对触发图像高频区域的幅值进行增强，并与目标类别样本的高频幅值按比例混合，结合目标样本的相位信息逆变换生成带有特定触发特征的训练样本。用极少的生成数据与原始训练数据融合，对模型进行训练，通过检测模型在特定输入条件下的输出行为，判断其是否存在潜在漏洞。本方法计算成本低，适用于大规模无标签图像分类任务的安全检测，可有效验证自监督学习模型的可控性与稳健性。