1.一种标签无关的跨任务对抗样本生成方法，其特征在于，包括如下步骤：步骤1，构建替代模型：获取纯净样本集的标签集，所述纯净样本集中的样本为图像样本，并利用纯净样本集和标签集训练得到目标模型的替代模型；

步骤2，生成对抗样本：将纯净样本集输入替代模型中，获取纯净样本集中每个样本在替代模型中的特征表示，并利用特征表示通过计算标准差计算得到每个样本的对抗损失，再利用对抗损失通过计算梯度更新每个样本，对纯净样本集中的每个样本在重复执行步骤

2若干次后得到纯净样本集的对抗样本集，所述对抗样本集应用于计算机视觉任务；步骤2的方法包括如下子步骤：

步骤2.1，将纯净样本集X作为输入，输入到替代模型F中；

步骤2.2，对纯净样本集X中的一个样本xi，获取该样本经过替代模型F的第k层网络后的特征表示：

其中， 是第m个特征值,Mk是第k层网络上特征的总数量， 为向下取整符；

由此得到样本xi经过前k层网络后，每层网络的特征表示的列表：步骤2.3，计算qk(xi)的标准差为：其中， 是特征表示qk(xi)中所有特征值的平均值；

步骤2.4，根据步骤2.3，分别计算步骤2.2中得到的列表Q(xi)中的每个元素qk(xi)的标准差，得到标准差列表：

步骤2.5计算得到样本xi的对抗损失：其中，

步骤2.6根据步骤2.5得到的 得到 关于样本xi的梯度步骤2.7用梯度 更新样本xi，即：其中， 是学习率；

步骤2.8，对步骤2.7中更新得到的xi进行下述计算：xi＝clip(xi,x‑ε,x+ε)其中，ε是一个足够小的正数，clip(·)将xi的特征值约束在[x‑ε,x+ε]范围内；

步骤2.9，对纯净样本集X中的每个样本xi，分别执行步骤2.2‑2.8；

步骤2.10，重复执行步骤2.9W次，得到纯净样本集X的对抗样本集：其中，x′i是xi的对抗样本，且1≤i≤n，n为样本总数。

2.根据权利要求1所述的标签无关的跨任务对抗样本生成方法，其特征在于，步骤1的方法包括如下子步骤：

步骤1.1，纯净样本集为 其中，xi为一个样本，且1≤i≤n，n为样本总数；

步骤1.2，将纯净样本集X输入到目标模型中，从而获得目标模型对纯净样本集X的标签集 其中，yi为一个样本标签，且1≤i≤n；

步骤1.3，将X和Y配对，形成数据集步骤1.4，将数据集S作为训练数据集，训练得到目标模型的替代模型F。