【技术实现步骤摘要】
基于人工智能的伪装检测方法、装置、设备及介质
本专利技术涉及人工智能
，尤其涉及一种基于人工智能的伪装检测方法、装置、设备及介质。
技术介绍
目前，一些领域存在着冒充他人办理相关业务等冒办现象，造成了一定的安全风险。传统的冒办检测主要是通过冗长与繁琐的人工审核，但是随着计算机视觉识别技术的普及，通过大数据训练后的深度学习模型来识别人体的重要特征，便可以让算法像判别专家一样感知出高度可疑的客户照片。但是，随着各种伪装技术地不断涌现，新型攻击的表现形式也层出不穷，不仅加大了检测任务的分类难度，而且提高了数据复核与模型持续迭代的时间成本。同时，新型攻击样本在业务中的量占比往往不到0.05％，无法为模型的训练提供充足的训练样本，但是却有增长的趋势，新型攻击样本的种类与表现模式都在不断演变，给冒办检测带来了诸多困难，而传统方式无法迅速地分类与检索到这些新型攻击样本。
技术实现思路
鉴于以上内容，有必要提供一种基于人工智能的伪装检测方法、装置、设备及介质，能够兼容新型攻击样本的分类，减少新型攻击...
【技术保护点】
1.一种基于人工智能的伪装检测方法，其特征在于，所述基于人工智能的伪装检测方法包括：/n响应于伪装检测指令，获取带有预设类型的伪装的初始图片，并对所述初始图片进行特征截取，得到样本数据；/n对所述样本数据进行颜色空间转换，得到转换数据；/n对所述转换数据进行拆分，得到多个小批量数据；/n以所述多个小批量数据训练深度树学习框架，得到初始模型；/n获取验证集，将所述验证集输入至所述初始模型，并获取所述初始模型的输出数据；/n采用t-SNE算法验证所述输出数据，得到验证结果；/n当所述验证结果满足配置条件时，停止训练，并将所述初始模型确定为目标模型；/n获取待检测数据，将所述待检...
【技术特征摘要】
1.一种基于人工智能的伪装检测方法，其特征在于，所述基于人工智能的伪装检测方法包括：
响应于伪装检测指令，获取带有预设类型的伪装的初始图片，并对所述初始图片进行特征截取，得到样本数据；
对所述样本数据进行颜色空间转换，得到转换数据；
对所述转换数据进行拆分，得到多个小批量数据；
以所述多个小批量数据训练深度树学习框架，得到初始模型；
获取验证集，将所述验证集输入至所述初始模型，并获取所述初始模型的输出数据；
采用t-SNE算法验证所述输出数据，得到验证结果；
当所述验证结果满足配置条件时，停止训练，并将所述初始模型确定为目标模型；
获取待检测数据，将所述待检测数据输入至所述目标模型，并获取所述目标模型的输出作为伪装检测结果。
2.如权利要求1所述的基于人工智能的伪装检测方法，其特征在于，所述对所述初始图片进行特征截取，得到样本数据包括：
将所述初始图片中的每张图片输入至YOLOv3网络中进行识别，得到每张图片的头像区域；
以每张图片的头像区域截取对应的每张图片，得到每个子样本；
整合得到的子样本，得到所述样本数据。
3.如权利要求1所述的基于人工智能的伪装检测方法，其特征在于，所述以所述多个小批量数据训练深度树学习框架，得到初始模型包括：
从所述多个小批量数据中获取数据对所述深度学习框架进行第一预设次数的迭代，得到第一网络；
从所述第一网络中获取顶部卷积残差单元及中部卷积残差单元，并从所述多个小批量数据中获取数据对所述顶部卷积残差单元及所述中部卷积残差单元进行第二预设次数的迭代，得到第二网络；
从所述第二网络中获取根部卷积残差单元，并从所述多个小批量数据中获取数据对所述根部卷积残差单元进行第三预设次数的迭代，得到第三网络；
利用所述多个小批量数据中的未使用数据训练所述第三网络；
获取所述第三网络的目标损失函数，直至所述目标损失函数的取值达到收敛，停止训练，得到所述初始模型。
4.如权利要求3所述的基于人工智能的伪装检测方法，其特征在于，所述深度树学习框架包括至少一个有监督的特征学习层及至少一个判别单元，所述基于人工智能的伪装检测方法还包括：
获取所述至少一个判别单元对应的判别损失，及获取所述至少一个有监督的特征学习层对应的学习损失；
确定所述多个小批量数据对应的唯一性损失，及确定所述深度树学习框架的深度图损失；
以所述判别损失、所述学习损失、所述唯一性损失及所述深度图损失构建所述目标损失函数。
5.如权利要求1所述的基于人工智能的伪装检测方法，其特征在于，所...
【专利技术属性】
技术研发人员：喻晨曦，
申请(专利权)人：中国平安人寿保险股份有限公司，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。