1.一种基于注意力图差异的对抗样本检测方法，其特征在于，包括：

步骤S1，获取原始样本，所述原始样本包括正常样本、对抗样本，为图像样本；

步骤S2，采用基于梯度权重的类激活映射（grad‑CAM）方法生成原始样本的注意力图，得到待检测的注意力图；

步骤S3，构建检测模型，包括自编码器、判别器；

所述自编码器，包括编码器、解码器；

所述编码器采用改进的ResNet18残差网络结构，残差层共有4层，每层网络中包含2个残差块，每个残差块由第一个3*3的卷积层和批量归一化层、第二个3*3的卷积层和批量归一化层串联组合构成；在残差块的第二个批量归一化层后面引入了一个混合注意力模块；

所述解码器，采用改进的ResNet18残差网络结构，残差层共有4层，每层网络中包含2个残差块，每个残差块由第一个上采样层（Upsampling）和1*1卷积层以及批量归一化层、第二个上采样层（Upsampling）和1*1卷积层以及批量归一化层串联组合构成；在残差块的第二个批量归一化层后面引入了一个混合注意力模块；

所述判别器，采用WGAN（Wasserstein GAN）中判别器的结构；

步骤S4，获取正常样本，采用基于梯度权重的类激活映射（grad‑CAM）方法生成正常样本的注意力图；将其输入检测模型中，得到重建的注意力图；计算重建的注意力图与输入的正常样本的注意力图之间的差异，以均方误差作为损失函数进行优化，在无监督训练过程中，检测模型将学习到正常样本的注意力图的特征分布；

步骤S5，将待检测的注意力图输入训练好的检测模型，得到重建的注意力图；然后计算重建的注意力图与输入的待检测的注意力图之间的差异，如果大于设定的阈值，则将其对应的原始样本判定为对抗样本，否则为正常样本。

2.根据权利要求1所述的一种基于注意力图差异的对抗样本检测方法，其特征在于，所述步骤S3，包括：所述混合注意力模块，由通道注意力模块和空间注意力模块串联组合构成；

所述通道注意力模块，首先将特征图分别输入最大池化层和平均池化层处理，然后汇合到由第一个3*3的卷积层和批量归一化层、PReLU激活函数、第二个3*3的卷积层和批量归一化层的串联组合，再对串联组合的输出特征图进行加和操作，最后经Sigmoid函数激活输出；

所述空间注意力模块，首先将特征图输入一个3*3的卷积层，然后经过批量归一化层处理，之后再分别经过最大池化层和平均池化层处理，得到两个特征向量，将这两个特征向量按照通道拼接在一起，再经过一个3*3的卷积层处理，最后经Sigmoid函数激活得到权重向量。

3.一种基于注意力图差异的对抗样本检测系统，其特征在于，包括：

样本获取模块，用于获取原始样本，所述原始样本包括正常样本、对抗样本，为图像样本；

注意力图生成模块，采用基于梯度权重的类激活映射（grad‑CAM）方法生成原始样本的注意力图，得到待检测的注意力图；

对抗样本检测模块，构建检测模型，包括自编码器、判别器；所述自编码器，包括编码器、解码器；所述编码器采用改进的ResNet18残差网络结构，残差层共有4层，每层网络中包含2个残差块，每个残差块由第一个3*3的卷积层和批量归一化层、第二个3*3的卷积层和批量归一化层串联组合构成；在残差块的第二个批量归一化层后面引入了一个混合注意力模块；所述解码器，采用改进的ResNet18残差网络结构，残差层共有4层，每层网络中包含2个残差块，每个残差块由第一个上采样层（Upsampling）和1*1卷积层以及批量归一化层、第二个上采样层（Upsampling）和1*1卷积层以及批量归一化层串联组合构成；在残差块的第二个批量归一化层后面引入了一个混合注意力模块；所述判别器，采用WGAN（Wasserstein GAN）中判别器的结构；将待检测的注意力图输入训练好的检测模型，得到重建的注意力图；

然后计算重建的注意力图与输入的待检测的注意力图之间的差异，如果大于设定的阈值，则将其对应的原始样本判定为对抗样本，否则为正常样本；

模型训练模块，获取正常样本，采用基于梯度权重的类激活映射（grad‑CAM）方法生成正常样本的注意力图；将其输入检测模型中，得到重建的注意力图；计算重建的注意力图与输入的正常样本的注意力图之间的差异，以均方误差作为损失函数进行优化，在无监督训练过程中，检测模型将学习到正常样本的注意力图的特征分布。

4.根据权利要求3所述的一种基于注意力图差异的对抗样本检测系统，其特征在于，所述混合注意力模块，包括：由通道注意力模块和空间注意力模块串联组合构成；所述通道注意力模块，首先将特征图分别输入最大池化层和平均池化层处理，然后汇合到由第一个3*3的卷积层和批量归一化层、PReLU激活函数、第二个3*3的卷积层和批量归一化层的串联组合，再对串联组合的输出特征图进行加和操作，最后经Sigmoid函数激活输出；所述空间注意力模块，首先将特征图输入一个3*3的卷积层，然后经过批量归一化层处理，之后再分别经过最大池化层和平均池化层处理，得到两个特征向量，将这两个特征向量按照通道拼接在一起，再经过一个3*3的卷积层处理，最后经Sigmoid函数激活得到权重向量。

5.一种包括计算机可读指令的计算机可读存储介质，其特征在于，所述计算机可读指令在被执行时，使处理器执行权利要求1‑2任一所述方法中的步骤。

6.一种电子设备，其特征在于，包括：

存储器，存储程序指令；

处理器，与所述存储器相连接，执行存储器中的程序指令，实现权利要求1‑2任一所述方法。