基于四维Chen混沌系统的深度神经网络模型主动保护方法

doi:10.11772/j.issn.1001-9081.2024111583

《计算机应用》唯一官方网站 ›› 2025, Vol. 45 ›› Issue (11): 3621-3631.DOI: 10.11772/j.issn.1001-9081.2024111583

• 网络空间安全 • 上一篇

基于四维Chen混沌系统的深度神经网络模型主动保护方法

段新涛¹^,²(), 保梦茹¹, 武银行¹, 秦川³

^1.河南师范大学计算机与信息工程学院，河南新乡 453007
^2.教育人工智能与个性化学习河南省重点实验室（河南师范大学），河南新乡 453007
^3.上海理工大学光电信息与计算机工程学院，上海 200093

收稿日期:2024-11-07 修回日期:2025-02-16 接受日期:2025-02-19 发布日期:2025-02-21 出版日期:2025-11-10
通讯作者: 段新涛
作者简介:保梦茹（1999—），女，河南郑州人，硕士研究生，主要研究方向：深度学习、模型保护
武银行（1997—），男，河南周口人，硕士研究生，主要研究方向：深度学习、模型保护
秦川（1980—），男，安徽芜湖人，教授，博士，主要研究方向：数字图像处理、信息隐藏、深度学习。
基金资助:
河南省高等学校重点科研项目(23A520006);河南省科技攻关项目(222102210199)

Active protection method for deep neural network model based on four-dimensional Chen chaotic system

Xintao DUAN¹^,²(), Mengru BAO¹, Yinhang WU¹, Chuan QIN³

^1.School of Computer and Information Engineering，Henan Normal University，Xinxiang Henan 453007，China
^2.Henan Key Laboratory of Educational Artificial Intelligence and Personalized Learning （Henan Normal University），Xinxiang Henan 453007，China
^3.School of Optical-Electrical and Computer Engineering，University of Shanghai for Science and Technology，Shanghai 200093，China

Received:2024-11-07 Revised:2025-02-16 Accepted:2025-02-19 Online:2025-02-21 Published:2025-11-10
Contact: Xintao DUAN
About author:BAO Mengru， born in 1999， M. S. candidate. Her research interests include deep learning， model protection.
WU Yinhang， born in 1997， M. S. candidate. His research interests include deep learning， model protection.
QIN Chuan， born in 1980， Ph. D.， professor. His research interests include digital image processing， information hiding， deep learning.
Supported by:
Key Scientific Research Project of Universities in Henan Province(23A520006);Science and Technology Research Project of Henan Province(222102210199)

摘要/Abstract

摘要：

基于深度神经网络（DNN）的模型以其优越的性能得到了广泛的应用，但训练一个性能强大的DNN模型需要大量的数据集、专业知识、计算资源、硬件条件和时间等，如果对它进行非法盗用会对模型拥有者造成巨大的损失。针对DNN模型的安全和知识产权问题，提出一种DNN模型主动保护方法。该方法使用一种新的综合性权重选择策略精准定位模型中的重要权重，并结合DNN模型卷积层的结构特点，在三维混沌系统的基础上首次引入四维Chen混沌系统对卷积层的少量权重进行位置置乱加密。同时，为了解决授权用户即使拥有密钥也无法解密的问题，结合椭圆曲线加密算法（ECC）构建加密模型的数字签名方案。加密后，权重位置和混沌序列的初始值复合形成加密密钥，授权用户可以使用该密钥正确解密DNN模型，而未被授权的攻击者即使截获了DNN模型也无法正常使用。实验结果表明，对分类模型的少量权重位置进行置乱能显著降低分类准确率，并且解密模型可以实现无损恢复。此外，该方法能够抵抗微调和剪枝攻击，且得到的密钥具有较强的敏感性并能抵抗暴力攻击。同时，通过实验验证了该方法不仅对图像分类模型有效，还能保护深度图像隐写模型和目标检测模型，具有可迁移性。

关键词: AI模型安全, 深度神经网络, 权重加密, 四维Chen混沌系统, 椭圆曲线加密算法

Abstract:

Deep Neural Network （DNN）-based models have been widely applied due to their superior performance. However， training a powerful DNN model requires extensive datasets， expertise， computational resources， specialized hardware， and significant time investment. Unauthorized exploitation of such models could cause substantial losses to model owners. Aiming at the security and intellectual property issues of DNN models， an active protection method was proposed. The method employed a new comprehensive weight selection strategy to precisely identify critical weights within the model. Combining with the structural characteristics of the convolutional layer in DNN model， the four-dimensional Chen chaotic system was introduced for the first time on the basis of the three-dimensional chaotic system to scramble and encrypt a small number of weights in the convolutional layer. Meanwhile， to address the problem that authorized users cannot decrypt even with the key， an Elliptic Curve Cryptography （ECC）-based digital signature scheme was integrated for encryption models. After encryption， the weight positions and the initial values of chaotic sequence were combined to form an encryption key. Authorized users can use the key to correctly decrypt the DNN model， while unauthorized attackers cannot functionally use intercepted models even if acquired. Experimental results show that scrambling a minimal fraction of weight positions significantly degrades classification accuracy， and the decryption model can be restored without any loss. In addition， the method is resistant to fine-tuning and pruning attacks， and the obtained key has strong sensitivity and is resistant to brute force attacks. Furthermore， the experiments verify the method’s transferability， it is effective for image classification models， and can protect deep image steganography models and object detection models simultaneously.

Key words: AI model security, Deep Neural Network (DNN), weight encryption, four-dimensional Chen chaotic system, Elliptic Curve Cryptography (ECC) algorithm

中图分类号:

TP309.2

段新涛, 保梦茹, 武银行, 秦川. 基于四维Chen混沌系统的深度神经网络模型主动保护方法[J]. 计算机应用, 2025, 45(11): 3621-3631.

Xintao DUAN, Mengru BAO, Yinhang WU, Chuan QIN. Active protection method for deep neural network model based on four-dimensional Chen chaotic system[J]. Journal of Computer Applications, 2025, 45(11): 3621-3631.

图/表 17

图1 本文方法的主要流程

Fig. 1 Main workflow of proposed method

图2 加密过程

Fig. 2 Encryption process

图3 y-z和x-y-w超混沌吸引子的相图

Fig. 3 Phase diagrams of y-z and x-y-w hyperchaotic attractors

表1 在CIFAR-10和Fashion-MNIST数据集上的测试结果 ( %)

Tab. 1 Test results on CIFAR-10 and Fashion-MNIST datasets

数据集	分类模型	原始准确率	加密准确率	恢复准确率
CIFAR-10	ResNet18	95.09	10.13	95.09
	ResNet50	96.44	10.00	96.44
	MobileNetV2	95.12	12.41	95.12
	MobileNetV3	95.09	9.82	95.09
	ShuffleNet	96.26	8.77	96.26
	EfficientNet	94.34	9.99	94.34
	VGG16	91.04	10.63	91.04
Fashion- MNIST	ResNet18	92.33	12.73	92.33
	ResNet50	91.56	10.00	91.56
	MobileNetV2	92.66	10.00	92.66
	MobileNetV3	92.91	9.90	92.91
	ShuffleNet	90.48	11.09	90.48
	EfficientNet	94.57	10.00	94.57
	VGG16	90.92	9.89	90.92

表2 在CIFAR-100和ImageNet数据集上的测试结果 ( %)

Tab. 2 Test results on CIFAR-100 and ImageNet datasets

数据集	分类模型	原始准确率	加密准确率	恢复准确率
CIFAR-100	ResNet18	80.59	0.84	80.59
	ResNet50	82.75	1.00	82.75
	MobileNetV2	81.37	1.06	81.37
	MobileNetV3	81.57	1.86	81.57
	ShuffleNet	82.89	1.18	82.89
	EfficientNet	84.19	0.86	84.19
	VGG16	80.26	1.26	80.26
ImageNet	ResNet18	84.65	0.44	84.65
	ResNet50	89.67	0.50	89.67
	MobileNetV2	86.42	0.47	86.42
	MobileNetV3	89.45	0.37	89.45
	ShuffleNet	87.24	0.47	87.24
	EfficientNet	94.61	0.50	94.61
	VGG16	82.68	0.50	82.68

图4 DNN模型在不同加密比例下的测试准确率

Fig. 4 Test accuracy of DNN model with different encryption proportions

表3 ECC数字签名的验证结果

Tab. 3 Verification results of ECC digital signature

数据集	分类模型	篡改	验证结果	解密准确率/%
ImageNet	ShuffleNet	否	True	87.24
ImageNet	ShuffleNet	是	False	0.56
CIFAR-100	MobileNetV2	否	True	81.37
CIFAR-100	MobileNetV2	是	False	1.32

表4 加密模型在不同剪枝率下的分类准确率对比

Tab. 4 Classification accuracy comparison of encryption models under different pruning rates

剪枝率	分类准确率/%
剪枝率	EfficientNet （CIFAR-10）	VGG16 （CIFAR-100）	ShuffleNet （Fashion-MNIST）	ResNet18 （ImageNet）
0.1	9.98	1.23	19.40	0.58
0.2	10.00	1.23	17.73	0.51
0.3	10.00	1.33	10.65	0.53
0.4	9.90	1.07	12.63	0.62
0.5	10.00	1.04	8.58	0.57
0.6	10.00	1.07	10.00	0.53
0.7	11.12	0.74	10.00	0.51
0.8	10.00	1.01	10.00	0.50
0.9	10.00	1.09	10.00	0.50

表5 加密模型在微调攻击后的分类准确率对比

Tab. 5 Classification accuracy comparison of encryption models after fine-tuning attack

轮数	分类准确率/%
轮数	ShuffleNet （CIFAR-10）	ResNet18 （CIFAR-100）	MobileNetV2 （Fashion-MNIST）	MobileNetV3 （ImageNet）
10	1.44	5.82	9.45	0.61
20	4.74	14.34	14.79	1.07
30	15.63	14.54	14.97	2.42
40	17.13	14.75	15.01	3.50
50	23.86	14.83	14.51	4.82
60	28.16	14.84	15.07	5.74
70	29.41	14.92	14.56	6.56
80	33.20	14.93	15.31	7.38
90	35.61	14.93	15.54	7.94
100	46.60	15.08	15.76	8.55

表6 密钥敏感性的客观效果

Tab. 6 Objective effects of key sensitivity

数据集	分类模型	分类准确率/%
数据集	分类模型	原始密钥 $K 1$	扰动密钥 $K 1'$
CIFAR-10	MobileNetV3	95.09	9.56
CIFAR-100	ShuffleNet	82.89	1.07
Fashion-MNIST	VGG16	90.92	10.67
ImageNet	MobileNetV2	86.42	0.50

表6 密钥敏感性的客观效果

Tab. 6 Objective effects of key sensitivity

数据集	分类模型	分类准确率/%
数据集	分类模型	原始密钥 $K 1$	扰动密钥 $K 1'$
CIFAR-10	MobileNetV3	95.09	9.56
CIFAR-100	ShuffleNet	82.89	1.07
Fashion-MNIST	VGG16	90.92	10.67
ImageNet	MobileNetV2	86.42	0.50

表7 加解密时间和模型推理时间对比 ( s)

Tab. 7 Comparison of encryption and decryption time， and model inference time

分类模型	加密时间	解密时间	处理单张图片的推理时间
分类模型	加密时间	解密时间	原始模型	解密模型
ResNet18	0.430	0.340	0.049	0.045
ResNet50	1.356	1.121	0.157	0.166
VGG16	2.160	2.254	0.198	0.206

表8 加密前后的存储和传输开销

Tab. 8 Storage and transmission costs before and after encryption

分类模型	存储大小/MB		传输大小/MB		传输开销增加比例/%
分类模型	加密前	加密后	加密前	加密后	传输开销增加比例/%
ResNet50	90.745	90.731	90.745	91.083	0.373
MobileNetV2	9.205	9.196	9.205	9.237	0.343
EfficientNet	203.217	203.142	203.271	203.823	0.298
VGG16	515.301	515.297	515.301	517.465	0.420

表9 Baluja和HiDDeN提取网络在加密后提取的秘密图像的客观指标

Tab. 9 Objective indicators of secret images extracted by Baluja and HiDDeN extraction networks after encryption

DNN模型	类别	PSNR/dB	SSIM	LPIPS
Baluja	原始模型	34.627 5	0.967 8	0.031 0
	解密模型	34.627 5	0.967 8	0.031 0
	加密模型	10.991 9	0.326 0	0.801 1
HiDDeN	原始模型	31.462 5	0.960 2	0.082 3
	解密模型	31.462 5	0.960 2	0.082 3
	加密模型	11.232 6	0.270 1	0.725 0

图5 Baluja和HiDDeN提取网络在加密后提取的秘密图像的主观效果

Fig. 5 Subjective effects of secret images extracted by Baluja and HiDDeN extraction networks after encryption

表10 Faster R-CNN和Mask R-CNN模型的客观测试结果 (%)

Tab. 10 Objective test results of Faster R-CNN and Mask R-CNN models

DNN模型	mIoU
DNN模型	原始模型	加密模型	解密模型
Faster R-CNN	81.73	3.41	81.73
Mask R-CNN	82.30	18.72	82.30

图6 Faster R-CNN模型的主观测试结果

Fig. 6 Subjective test results of Faster R-CNN model

表11 本文方法与SOTA的对比 ( %)

Tab. 11 Comparison of proposed method and SOTAs

方法	数据集	原始准确率	加密准确率	重训练	硬件支持	权重选择
文献［5］方法	CIFAR-10	86.96	15.00	√	×	×
文献［5］方法	Fashion-MNIST	—	—	√	×	×
文献［11］方法	CIFAR-10	89.54	9.37	√	√	×
文献［11］方法	Fashion-MNIST	89.93	10.05	√	√	×
文献［14］方法	CIFAR-10	92.02	10.86	√	×	√
文献［14］方法	Fashion-MNIST	91.01	10.36	√	×	√
文献［15］方法	CIFAR-10	91.24	10.00	√	×	√
文献［15］方法	Fashion-MNIST	—	—	√	×	√
文献［17］方法	CIFAR-10	93.91	10.48	√	×	√
文献［17］方法	Fashion-MNIST	93.97	10.00	√	×	√
本文方法	CIFAR-10	96.26	8.77	×	×	√
本文方法	Fashion-MNIST	94.57	10.00	×	×	√

参考文献 38

[1]	HASAN M D A， BALASUBADRA K， VADIVEL G， et al. IoT-driven image recognition for microplastic analysis in water systems using convolutional neural networks［C］// Proceedings of the 2nd International Conference on Computer， Communication and Control. Piscataway： IEEE， 2024： 1-6.
[2]	KHAN S， NASEER M， HAYAT M， et al. Transformers in vision： a survey［J］. ACM Computing Surveys， 2022， 54（10s）： No.200.
[3]	RAFFEL C， SHAZEER N， ROBERTS A， et al. Exploring the limits of transfer learning with a unified text-to-text Transformer［J］. Journal of Machine Learning Research， 2020， 21： 1-67.
[4]	KE X， WU H， GUO W. StegFormer： rebuilding the glory of autoencoder-based steganography［C］// Proceedings of the 38th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2024： 2723-2731.
[5]	JIANG W， GONG Z， ZHAN J， et al. A low-cost image encryption method to prevent model stealing of deep neural network［J］. Journal of Circuits， Systems and Computers， 2020， 29（16）： No.2050252.
[6]	GOMEZ L， WILHELM M， MÁRQUEZ J， et al. Security for distributed deep neural networks towards data confidentiality & intellectual property protection［C］// Proceedings of the 16th International Joint Conference on e-Business and Telecommunications — Volume 2： SECRYPT. Setúbal： SciTePress， 2019： 439-447.
[7]	UCHIDA Y， NAGAI Y， SAKAZAWA S， et al. Embedding watermarks into deep neural networks［C］// Proceedings of the 2017 ACM International Conference on Multimedia Retrieval. New York： ACM， 2017： 269-277.
[8]	DARVISH ROUHANI B， CHEN H， KOUSHANFAR F. DeepSigns： an end-to-end watermarking framework for ownership protection of deep neural networks［C］// Proceedings of the 24th International Conference on Architectural Support for Programming Languages and Operating Systems. New York： ACM， 2019： 485-497.
[9]	LI Z， HU C， ZHANG Y， et al. How to prove your model belongs to you： a blind-watermark based framework to protect intellectual property of DNN［C］// Proceedings of the 35th Annual Computer Security Applications Conference. New York： ACM， 2019： 126-137.
[10]	PYONE A， MAUNG M， KIYA H. Training DNN model with secret key for model protection［C］// Proceedings of the IEEE 9th Global Conference on Consumer Electronics. Piscataway： IEEE， 2020： 818-821.
[11]	CHAKRABORTY A， MONDAI A， SRIVASTAVA A. Hardware-assisted intellectual property protection of deep learning models［C］// Proceedings of the 57th ACM/EDAC/IEEE Design Automation Conference. New York： ACM， 2020： No.172.
[12]	JIANG W， SONG Z， ZHAN J， et al. Layerwise security protection for deep neural networks in industrial cyber physical systems［J］. IEEE Transactions on Industrial Informatics， 2022， 18（12）： 8797-8806.
[13]	XUE M， WU Z， HE C， et al. Active DNN IP protection： a novel user fingerprint management and DNN authorization control technique［C］// Proceedings of the IEEE 19th International Conference on Trust， Security and Privacy in Computing and Communications. Piscataway： IEEE， 2020： 975-982.
[14]	XUE M， WU Z， ZHANG Y， et al. AdvParams： an active DNN intellectual property protection technique via adversarial perturbation based parameter encryption［J］. IEEE Transactions on Emerging Topics in Computing， 2023， 11（3）： 664-678.
[15]	FAN L， NG K W， CHAN C S， et al. DeepIPR： deep neural network ownership verification with passports［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2022， 44（10）： 6122-6139.
[16]	TIAN J， ZHOU J， DUAN J. Probabilistic selective encryption of convolutional neural networks for hierarchical services［C］// Proceedings of the 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2021： 2205-2214.
[17]	ZHOU T， LUO Y， REN S， et al. NNSplitter： an active defense solution for DNN model via automated weight obfuscation［C］// Proceedings of the 40th International Conference on Machine Learning. New York： JMLR.org， 2023： 42614-42624.
[18]	刘海峰，周雪飞，梁星亮，等. 基于多混沌系统的图像加密算法［J］. 陕西科技大学学报， 2022， 40（1）：188-195.
	LIU H F， ZHOU X F， LIANG X L， et al. Image encryption algorithm based on multiple chaotic systems［J］. Journal of Shaanxi University of Science and Technology， 2022， 40（1）： 188-195.
[19]	KHALIQUE A， SINGH K， SOOD S. Implementation of elliptic curve digital signature algorithm［J］. International Journal of Computer Applications， 2010， 2（2）： 21-27.
[20]	KRIZHEVSKY A. Learning multiple layers of features from tiny images［R/OL］. ［2024-06-14］..
[21]	XIAO H， RASUL K， VOLLGRAF R. Fashion-MNIST： a novel image dataset for benchmarking machine learning algorithms［EB/OL］. ［2024-06-14］..
[22]	DENG J， DONG W， SOCHER R， et al. ImageNet： a large-scale hierarchical image database［C］// Proceedings of the 2009 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2009： 248-255.
[23]	HE K， ZHANG X， REN S， et al. Deep residual learning for image recognition［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2016： 770-778.
[24]	SANDLER M， HOWARD A， ZHU M， et al. MobileNetV2： inverted residuals and linear bottlenecks［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 4510-4520.
[25]	HOWARD A， SANDLER M， CHEN B， et al. Searching for MobileNetV3［C］// Proceedings of the 2019 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2019： 1314-1324.
[26]	ZHANG X， ZHOU X， LIN M， et al. ShuffleNet： an extremely efficient convolutional neural network for mobile devices［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 6848-6856.
[27]	TAN M， LE Q V. EfficientNet： rethinking model scaling for convolutional neural networks［C］// Proceedings of the 36th International Conference on Machine Learning. New York： JMLR.org， 2019： 6105-6114.
[28]	SIMONYAN K， ZISSERMAN A. Very deep convolutional networks for large-scale image recognition［EB/OL］. ［2024-06-10］..
[29]	BALUJA S. Hiding images in plain sight： deep steganography［C］// Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2017： 2066-2076.
[30]	ZHU J， KAPLAN R， JOHNSON J， et al. HiDDeN： hiding data with deep networks［C］// Proceedings of the 2018 European Conference on Computer Vision， LNCS 11219. Cham： Springer， 2018： 682-697.
[31]	REN S， HE K， GIRSHICK R， et al. Faster R-CNN： towards real-time object detection with region proposal networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017， 39（6）： 1137-1149.
[32]	HE K， GKIOXARI G， DOLLÁR P， et al. Mask R-CNN［C］// Proceedings of the 2017 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2017： 2980-2988.
[33]	EVERINGHAM M， VAN GOOL L， WILLIAMS C K I， et al. The PASCAL Visual Object Classes （VOC） challenge［J］. International Journal of Computer Vision， 2010， 88（2）： 303-338.
[34]	SERMANET P， KAVUKCUOGLU K， CHINTALA S， et al. Pedestrian detection with unsupervised multi-stage feature learning［C］// Proceedings of the 2013 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2013： 3626-3633.
[35]	CHEN T， LIU S， CHANG S， et al. Adversarial robustness： from self-supervised pre-training to fine-tuning［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 696-705.
[36]	HUYNH-THU Q， GHANBARI M. Scope of validity of PSNR in image/video quality assessment［J］. Electronics Letters， 2008， 44（13）： 800-801.
[37]	REHMAN A， WANG Z. Reduced-reference image quality assessment by structural similarity estimation［J］. IEEE Transactions on Image Processing， 2012， 21（8）： 3378-3389.
[38]	ZHANG R， ISOLA P， EFROS A A， et al. The unreasonable effectiveness of deep features as a perceptual metric［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 586-595.

基于四维Chen混沌系统的深度神经网络模型主动保护方法

Active protection method for deep neural network model based on four-dimensional Chen chaotic system

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 17

参考文献 38

相关文章 15

编辑推荐

Metrics

[1]	向尔康, 黄荣, 董爱华. 开放生成与特征优化的开集识别方法[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2195-2202.
[2]	齐巧玲, 王啸啸, 张茜茜, 汪鹏, 董永峰. 基于元学习的标签噪声自适应学习算法[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2113-2122.
[3]	王慧斌, 胡展傲, 胡节, 徐袁伟, 文博. 基于分段注意力机制的时间序列预测模型[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2262-2268.
[4]	陈路, 王怀瑶, 刘京阳, 闫涛, 陈斌. 融合空间-傅里叶域信息的机器人低光环境抓取检测[J]. 《计算机应用》唯一官方网站, 2025, 45(5): 1686-1693.
[5]	王华华, 范子健, 刘泽. 基于多空间概率增强的图像对抗样本生成方法[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 883-890.
[6]	杨本臣, 李浩然, 金海波. 级联融合与增强重建的多聚焦图像融合网络[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 594-600.
[7]	杨晟, 李岩. 面向目标检测的对比知识蒸馏方法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 354-361.
[8]	石锐, 李勇, 朱延晗. 基于特征梯度均值化的调制信号对抗样本攻击算法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2521-2527.
[9]	王美, 苏雪松, 刘佳, 殷若南, 黄珊. 时频域多尺度交叉注意力融合的时间序列分类方法[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1842-1847.
[10]	肖斌, 杨模, 汪敏, 秦光源, 李欢. 独立性视角下的相频融合领域泛化方法[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1002-1009.
[11]	颜梦玫, 杨冬平. 深度神经网络平均场理论综述[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 331-343.
[12]	柴汶泽, 范菁, 孙书魁, 梁一鸣, 刘竟锋. 深度度量学习综述[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 2995-3010.
[13]	申云飞, 申飞, 李芳, 张俊. 基于张量虚拟机的深度神经网络模型加速方法[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2836-2844.
[14]	赵旭剑, 李杭霖. 基于混合机制的深度神经网络压缩算法[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2686-2691.
[15]	李淦, 牛洺第, 陈路, 杨静, 闫涛, 陈斌. 融合视觉特征增强机制的机器人弱光环境抓取检测[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2564-2571.