在過去的幾年中,圖像分類算法,特別是深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Networks,DNN）在諸多領(lǐng)域被廣泛應(yīng)用,并且取得了極大的成就。但最近的研究表明,通過對輸入圖像加以肉眼無法識別的干擾操作,能夠使得所構(gòu)建的對抗性樣本誤導(dǎo)DNN做出錯(cuò)誤的判定。同時(shí),自動駕駛事故的頻頻報(bào)道加劇了人們對DNN系統(tǒng)的擔(dān)憂。DNN系統(tǒng)在現(xiàn)實(shí)運(yùn)用中,特別是一些安全關(guān)鍵的領(lǐng)域,需要更加徹底地測試,而不是僅依靠新數(shù)據(jù)集準(zhǔn)確率的簡單評估。軟件測試技術(shù)能夠幫助我們評估DNN網(wǎng)絡(luò)的魯棒性,進(jìn)而檢測系統(tǒng)中的漏洞。然而傳統(tǒng)的軟件測試技術(shù),如代碼測試,不能直接應(yīng)用到DNN系統(tǒng)測試中。同時(shí)DNN系統(tǒng)定義了一種新的數(shù)據(jù)驅(qū)動的程序范例,其內(nèi)部邏輯極大的來源于訓(xùn)練數(shù)據(jù)的未知內(nèi)在數(shù)量規(guī)律性,其input-output關(guān)系的界定極為困難。因此,本文的研究內(nèi)容是針對DNN圖像分類系統(tǒng),構(gòu)建符合MT理念的蛻變關(guān)系（Metamorphic Relation,MR）,最后在通過MR生成的衍生測試用例集上執(zhí)行突變體,并”殺死”突變體的比率,來評價(jià)MR的測試完備性。在本文中,我們構(gòu)建了一種針對DNN圖像分類系統(tǒng)的蛻變測試（Metamorp... 

【文章來源】：浙江理工大學(xué)浙江省

【文章頁數(shù)】：62 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１．２自動駕駛道路識別對抗性樣本誤導(dǎo)產(chǎn)生方向相反示例??

浙江理工大學(xué)碩士學(xué)位論文?圖像分類算法的蛻變測試??２相關(guān)理論概述??２．１神經(jīng)網(wǎng)絡(luò)系統(tǒng)??神經(jīng)網(wǎng)絡(luò)系統(tǒng)即至少包含一個(gè)神經(jīng)網(wǎng)絡(luò)的系統(tǒng)，本文中僅針對單一神經(jīng)網(wǎng)絡(luò)。１９８９年??ＬｅｔＮｅｔ－５被提出［３２］?［３３］，其連接權(quán)重通過反向傳播（ＢＰ）算法進(jìn)行了優(yōu)化［３４］，?ＣＮＮ??的各種變體在圖像分類領(lǐng)域取得了極大的成就，例如：ＶｇｇＮｅｔ［１３］和ＲｅｓＮｅｔ?［１］，這些變??體顯著提高了圖像分類任務(wù)中的分類精度。??神經(jīng)網(wǎng)絡(luò)包括ＤＮＮ都是由簡單的自適應(yīng)處理單元（神經(jīng)元）構(gòu)成，神經(jīng)元一般由突??觸權(quán)重（ｗ），偏置項(xiàng)（ｂ），和激活函數(shù)（＜ｐ?６ｃ））組成，如圖２．?１。??ｂｋ偏置??Ｘ，〇＿？（Ｑ—??ｖｋ??（Ｘ?）?？?？＞Ｔ）＾?？??．．．?．．．?ｗａ??和結(jié)點(diǎn)?激活函歆?鏑出??ｘｎ?０?？ｎｖｋｒＯ?’??輸入?突觸權(quán)偭??圖２．１神經(jīng)元模型??則當(dāng)輸入數(shù)據(jù)（Ａ，．．．．．．．Ｘ？）時(shí)，求和節(jié)點(diǎn)值／（Ｘ，Ｕ／，ｂ），輸出凡為：??ｆ（ｘ，?ｗ，?ｂ）?－?ＹｉｄＷｉＸｉ?＋?ｂｉ）?，?ｙｋ?＝?（ｐ（ｆ（ｘ，?ｗ，?ｂ））?２－（ｌ）??多個(gè)祌經(jīng)元共同組成祌經(jīng)網(wǎng)絡(luò)的一層，層與層之間互相連接進(jìn)而構(gòu)成祌經(jīng)網(wǎng)絡(luò)，如圖２．２，??其中圖中的每個(gè)圓代表著神經(jīng)元。當(dāng)神經(jīng)網(wǎng)絡(luò)層數(shù)變得極高則變成ＤＮＮ。??ｈｉｄｄｅｎ?ｌａｙｒｒ?ｉ?ｈｉｄｄｅｎ?ｌａｙｅｒ?２?ｈｉｄｄｅｎ?ｌａｙｅｒ??ｉｍｐｕｔ?ｌａｙｅｒ?＾?入??驗(yàn)??圖２．２神經(jīng)網(wǎng)絡(luò)示例??６??

浙江理工大學(xué)碩士學(xué)位論文?圖像分類算法的蛻變測試??２相關(guān)理論概述??２．１神經(jīng)網(wǎng)絡(luò)系統(tǒng)??神經(jīng)網(wǎng)絡(luò)系統(tǒng)即至少包含一個(gè)神經(jīng)網(wǎng)絡(luò)的系統(tǒng)，本文中僅針對單一神經(jīng)網(wǎng)絡(luò)。１９８９年??ＬｅｔＮｅｔ－５被提出［３２］?［３３］，其連接權(quán)重通過反向傳播（ＢＰ）算法進(jìn)行了優(yōu)化［３４］，?ＣＮＮ??的各種變體在圖像分類領(lǐng)域取得了極大的成就，例如：ＶｇｇＮｅｔ［１３］和ＲｅｓＮｅｔ?［１］，這些變??體顯著提高了圖像分類任務(wù)中的分類精度。??神經(jīng)網(wǎng)絡(luò)包括ＤＮＮ都是由簡單的自適應(yīng)處理單元（神經(jīng)元）構(gòu)成，神經(jīng)元一般由突??觸權(quán)重（ｗ），偏置項(xiàng)（ｂ），和激活函數(shù)（＜ｐ?６ｃ））組成，如圖２．?１。??ｂｋ偏置??Ｘ，〇＿？（Ｑ—??ｖｋ??（Ｘ?）?？?？＞Ｔ）＾?？??．．．?．．．?ｗａ??和結(jié)點(diǎn)?激活函歆?鏑出??ｘｎ?０?？ｎｖｋｒＯ?’??輸入?突觸權(quán)偭??圖２．１神經(jīng)元模型??則當(dāng)輸入數(shù)據(jù)（Ａ，．．．．．．．Ｘ？）時(shí)，求和節(jié)點(diǎn)值／（Ｘ，Ｕ／，ｂ），輸出凡為：??ｆ（ｘ，?ｗ，?ｂ）?－?ＹｉｄＷｉＸｉ?＋?ｂｉ）?，?ｙｋ?＝?（ｐ（ｆ（ｘ，?ｗ，?ｂ））?２－（ｌ）??多個(gè)祌經(jīng)元共同組成祌經(jīng)網(wǎng)絡(luò)的一層，層與層之間互相連接進(jìn)而構(gòu)成祌經(jīng)網(wǎng)絡(luò)，如圖２．２，??其中圖中的每個(gè)圓代表著神經(jīng)元。當(dāng)神經(jīng)網(wǎng)絡(luò)層數(shù)變得極高則變成ＤＮＮ。??ｈｉｄｄｅｎ?ｌａｙｒｒ?ｉ?ｈｉｄｄｅｎ?ｌａｙｅｒ?２?ｈｉｄｄｅｎ?ｌａｙｅｒ??ｉｍｐｕｔ?ｌａｙｅｒ?＾?入??驗(yàn)??圖２．２神經(jīng)網(wǎng)絡(luò)示例??６??


本文編號：3575365