深度卷积神经网络对Perlin噪声的敏感性研究*

刘思婷，葛万成

（同济大学，上海 201800）

0 引言

面对复杂多变的驾驶环境，如何减少环境因素的干扰，提高自动驾驶视觉领域检测精度，提升安全性和可靠性，是自动驾驶领域必须解决的重要难题。而在自动驾驶技术图像识别领域中，自动驾驶的环境感知应用模型的本质就是黑盒属性，也已有实验证明深度卷积网络对普遍性对抗扰动（Universal Adversarial Perturbations）[1]非常敏感。研究如何大规模、低成本地生成对抗样本，并且对深度学习模型进行攻击，对深度卷积神经网络和整个自动驾驶领域的进步都很重要。

1 相关介绍

1.1 深度卷积神经网络

深度卷积神经网络的概念最初来源于概率论统计中的最大似然估计，分析变量与发生概率之间的关系，并且找到参数能够实现最优概率分布。在深度学习中，它不断利用输入数据来更新优化参数。一个基础的卷积神经网络通常由卷积层、池化层和全连接层等部分组成。

卷积层由滤波器组成，而每个滤波器可以看成数字矩阵。每张彩色由RGB 这3 个像通道构成，R代表红色，G 代表绿色，B 代表蓝色。每个通道的像素值由[0，255]范围内的数字来表示，如图片的大小为299×299 像素，那么此时就用299×299×3的数组进行表示。设单个通道的坐标为（x，y），卷积核的权重为w，图片亮度值为v，则卷积的定义式为：

在卷积层进行运算后，要将结果送入池化层。由于图片中相邻像素点的数值具有一定的相似性，再加上卷积运算后的数值会存在部分接近的情况，因此此时会有很多无效数值，即存在大量的冗余信息。……