公开(公告)号：CN114283051B

公开(公告)日：2024-11-26

申请号：CN202111500426.X

申请日：2021-12-09

Applicant: 湖南大学 ,  湖南大学深圳研究院

Inventor： 李肯立 ,  段明星 ,  方森 ,  胡逸醌 ,  肖国庆 ,  刘刚 ,  刘楚波 ,  周旭 ,  唐卓

IPC: G06T3/04 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/045 ,  G06N3/0475 ,  G06N3/094

Abstract: 本申请涉及一种上述人脸图像处理方法、装置、计算机设备、存储介质和计算机程序产品，获取原始图片以及与所述原始图片对应的化妆目标图片；将所述原始图片输入至预设已训练的第一网络模型，得到彩色图片；将所述彩色图片以及化妆目标图片输入至预设已训练的第二网络模型，得到面部化妆迁移后的彩色图片。整个过程中，采用第一网络模型(老化模型)和第二网络模型(化妆模型)来分别进行彩色图片的获取以及面部化妆迁移后的彩色图片获取，无需依赖人工标注，可以实现高效的面部化妆迁移。

公开(公告)号：CN114283051A

公开(公告)日：2022-04-05

申请号：CN202111500426.X

申请日：2021-12-09

Applicant: 湖南大学 ,  湖南大学深圳研究院

Inventor： 李肯立 ,  段明星 ,  方森 ,  胡逸醌 ,  肖国庆 ,  刘刚 ,  刘楚波 ,  周旭 ,  唐卓

IPC: G06T3/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本申请涉及一种上述人脸图像处理方法、装置、计算机设备、存储介质和计算机程序产品，获取原始图片以及与所述原始图片对应的化妆目标图片；将所述原始图片输入至预设已训练的第一网络模型，得到彩色图片；将所述彩色图片以及化妆目标图片输入至预设已训练的第二网络模型，得到面部化妆迁移后的彩色图片。整个过程中，采用第一网络模型(老化模型)和第二网络模型(化妆模型)来分别进行彩色图片的获取以及面部化妆迁移后的彩色图片获取，无需依赖人工标注，可以实现高效的面部化妆迁移。

公开(公告)号：CN112766143B

公开(公告)日：2023-08-25

申请号：CN202110054794.X

申请日：2021-01-15

Applicant: 湖南大学

Inventor： 李肯立 ,  段明星 ,  方森 ,  廖清 ,  李克勤

IPC: G06V40/16 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种基于多情绪的人脸老化处理方法，包括：获取一张原始图片和一张与该原始图片对应的目标图片；将获取的原始图片和目标图片分别输入训练好的第一网络模型的编码器Ee和EI中，以分别得到原始图片的关键特征和目标图片的关键特征；将获得的原始图片的关键特征、以及目标图片的关键特征输入训练好的第一生成网络的生成器GE中，以获得一张彩色图片；将彩色图片输入训练好的第二网络模型的生成器GA，以得到老化处理后的彩色图片；本发明利用多重损失保证CD‑Net在不丢失其它信息的情况下学习真实的图像，可以生成不同的情绪下逼真的面部衰老图像，并且这些情绪特征是特定的，不是随机的。

公开(公告)号：CN112766315A

公开(公告)日：2021-05-07

申请号：CN202011630126.9

申请日：2020-12-31

Applicant: 湖南大学

Inventor： 李肯立 ,  段明星 ,  廖清 ,  方森 ,  李克勤 ,  刘楚波 ,  唐卓

IPC: G06K9/62 ,  G06N3/04

Abstract: 本发明属于人工智能模型鲁棒性判定技术领域，并公开了一种在不知人工智能模型以及训练数据集情况下能有效地对未知模型进行攻击方法，包括以下步骤：原始数据集的浅层共享特征的捕获，并根据输入条件生成相应的目标样本。待测试人工智能模型用于预测目标样本的输出，该输出和正式的标签进行比对得到相应损失。同时生成的目标样本用于训练替代模型，并得到相应的输出，比较同一个样本在两个不同模型情况下的输出，得到比对损失，用于确保替代模型很好的学习待测试人工智能模型的全部功能。之后用一些成熟的攻击算法去攻击替代模型得到相应的对抗样本，并将这些对抗样本用于攻击未知的人工智能模型，进而判定人工智能模型的鲁棒性。

公开(公告)号：CN112766315B

公开(公告)日：2024-03-29

申请号：CN202011630126.9

申请日：2020-12-31

Applicant: 湖南大学

Inventor： 李肯立 ,  段明星 ,  廖清 ,  方森 ,  李克勤 ,  刘楚波 ,  唐卓

IPC: G06V10/778 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0464

Abstract: 本发明属于人工智能模型鲁棒性判定技术领域，并公开了一种在不知人工智能模型以及训练数据集情况下能有效地对未知模型进行攻击方法，包括以下步骤：原始数据集的浅层共享特征的捕获，并根据输入条件生成相应的目标样本。待测试人工智能模型用于预测目标样本的输出，该输出和正式的标签进行比对得到相应损失。同时生成的目标样本用于训练替代模型，并得到相应的输出，比较同一个样本在两个不同模型情况下的输出，得到比对损失，用于确保替代模型很好的学习待测试人工智能模型的全部功能。之后用一些成熟的攻击算法去攻击替代模型得到相应的对抗样本，并将这些对抗样本用于攻击未知的人工智能模型，进而判定人工智能模型的鲁棒性。

公开(公告)号：CN115470526A

公开(公告)日：2022-12-13

申请号：CN202211119922.5

申请日：2022-09-15

Applicant: 湖南大学

Inventor： 李肯立 ,  段明星 ,  唐卓 ,  方森 ,  杨志邦 ,  余思洋

IPC: G06F21/64 ,  G06F21/62 ,  G06K9/62

Abstract: 本申请涉及一种基于黑盒模型的对抗攻击数据的处理方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：确定第一被攻击数据样本和被攻击样本数据的至少一个第一候选数据样本；对第一被攻击数据样本进行扰动处理，得到对应的伪样本；将伪样本与至少一个第一候选数据样本进行特征比对，得到特征相似度最高的候选数据样本；根据特征相似度最高的候选数据样本对伪样本的扰动特征进行更新，得到构造的伪样本。采用本方法能够提高了构造的伪样本的真实性。