图像检测方法、图像检测模型的训练方法、装置和介质制造方法及图纸

本发明专利技术的实施方式提供了一种图像检测方法、图像检测模型的训练方法、装置和介质。该图像检测模型的训练方法包括：获取训练数据集，其中，所述训练数据集中包括多种训练图像，每一训练图像对应标记其所属分类的标签；基于所述训练数据集，以使从标记相同标签的多个训练图像中提取到的特征距离最小，和/或从标记不同标签的多个训练图像中提取到的特征距离最大为目标训练伪造类型检测模型。本发明专利技术能够基于获取到的训练数据集进行训练，进而可以通过训练后的训练数据集对伪造类型检测模型进行更加深入的训练，以使训练之后的伪造类型检测模型可以更加准确地识别出伪造的图像，甚至能识别伪造图像的伪造类型，提升了识别伪造图像的准确性和全面性。

【技术实现步骤摘要】
图像检测方法、图像检测模型的训练方法、装置和介质
本专利技术的实施方式涉及图像处理
，更具体地，本专利技术的实施方式涉及一种图像检测方法、图像检测模型的训练方法、装置和介质。
技术介绍
本部分旨在为权利要求书中陈述的本专利技术的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。近年来，随着深度伪造（DeepFake）技术的发展，在视频网站以及社交媒体等网络中出现了越来越多通过人脸替换生成新图像的情况，对他人的肖像权造成了侵犯。目前，现有技术仅能对真实图像和深度伪造图像进行识别。在实践中发现，对于不同类型的深度伪造图像，最终造成的事件性质与舆论影响不尽相同，然而，现有技术无法对深度伪造图像进行更深层次的检测，从而导致对于深度伪造图像的分析不够准确。
技术实现思路
在本上下文中，本专利技术的实施方式期望提供一种图像检测方法、图像检测模型的训练方法、装置和介质。在本专利技术实施方式的第一方面中，提供了一种图像检测模型的训练方法，包括：获取训练数据集，其中，所述训练数据集本文档来自技高网...

【技术保护点】
1.一种图像检测模型的训练方法，包括：/n获取训练数据集，其中，所述训练数据集中包括多种训练图像，每一训练图像对应标记其所/n属分类的标签；/n基于所述训练数据集，以使从标记相同标签的多个训练图像中提取到的特征距离最小，和//n或从标记不同标签的多个训练图像中提取到的特征距离最大为目标训练伪造类型检测模型。/n

【技术特征摘要】
1.一种图像检测模型的训练方法，包括：
获取训练数据集，其中，所述训练数据集中包括多种训练图像，每一训练图像对应标记其所
属分类的标签；
基于所述训练数据集，以使从标记相同标签的多个训练图像中提取到的特征距离最小，和/
或从标记不同标签的多个训练图像中提取到的特征距离最大为目标训练伪造类型检测模型。


2.根据权利要求1所述的图像检测模型的训练方法，其中，所述方法还包括：
利用卷积神经网络模型提取各个训练图像的图像特征；
以使真实图像的图像特征趋于0为目标训练图像真伪检测模型，其中，训练完成的图像真伪
检测模型将以某个图像的图像特征中的特定部分为伪造信号来判断图像的真伪。


3.根据权利要求2所述的图像检测模型的训练方法，其中，所述训练图像的图像类别至少
包括真实类别和伪造类别，所述伪造类别包含多种伪造类型，所述每一训练图像对应标记其
所属图像类别的标签，所述伪造类别对应的每一训练图像对应标记其所属伪造类型的标签。


4.根据权利要求3所述的图像检测模型的训练方法，其中，所述训练数据集至少包括所述
图像真伪检测模型的第一训练数据集和所述伪造类型检测模型的第二训练数据集；
所述获取训练数据集，包括：
将标记所述真实类别的标签的训练图像以及标记所述伪造类别的标签的训练图像添加至所述
第一训练数据集；
将标记所述伪造类型的标签的训练图像添加至所述第二训练数据集。


5.根据权利要求4所述的图像检测模型的训练方法，其中，利用卷积神经网络模型提取各
个训练图像的图像特征；以使真实图像的图像特征趋于0为目标训练图像真伪检测模型，其
中，训练完成的图像真伪检测模型将以某个图像的图像特征中的特定部分为伪造信号来判断
图像的真伪，包括：
利用卷积神经网络模型从所述第一训练数据集中提取各个训练图像的图像特征；
通过第一损失函数对所述真实类别对应的训练图像的图像特征进行约束，以使所述真实类别
对应的训练图像的图像特征趋于0为目标训练图像真伪检测模型，其中，训练完成的图像真
伪检测模型将以某个图像的图像特征中的特定部分为伪造信号来判断图像的真伪。


6.根据权利要求4所述的图像检测模型的训练方法，其中，基于所述训练数据集，以使从
标记相同标签的多个训练图像中提取到的特征距离最小，和/或从标记不同标签的多个训练
图像中提取到的特征距离最大为目标训练伪造类型检测模型，包括：
基于所述第二训练数据集构建三元组；
基于所述三元组，采用度量学习的方式以使从标记相同标签的多个训练图像中提取到的特征
距离最小，和/或从标记不同标签的多个训练图像中提取到的特征距离最大为目标训练所述
伪造类型检测模型。


7.根据权利要求6所述的图像检测模型的训练方法，其中，每一所述三元组中包括三种训
练图像，其中，第一种训练图像为标记有任意伪造类型的标签的图像，第二种训练图像与第
一种训练图像标记有不同的标签，第三种训练图像与第一种训练图像标记有相同的标签。


8.根据权利要求7所述的图像检测模型的训练方法，其中，基于所述三元组，采用度量学
习的方式以使从标记相同标签的多个训练图像中提取到的特征距离最小，和/或从标记不同
标签的多个训练图像中提取到的特征距离最大为目标训练所述伪造类型检测模型，包括：
基于所述三元组，采用第二损失函数以及L2距离度量函数以使从标记相同标签的多个训练
图像中提取到的特征距离最小，和/或从标记不同标签的多个训练图像中提取到的特征距离
最大为目标训练所述伪造类型检测模型。


9.一种图像检测方法，采用权利要求1-8中任一项所述的图像检测模型的训练方法训练得
到的图像检测模型对图像进行检测，所述图像检测模型至少包括伪造类型检测模型，所述图
像检测方法包括：
通过预设方式获取伪造图像；
采用伪造类型检测模型对所述伪造图像进行伪造类型检测，确定所述伪造图像的伪造类型。


10.根据权利要求9所述的图像检测方法，其中，所述图像检测模型还包括图像真伪检测模
型，通过预设方式获取伪造图像，包括：
获取待检测图像；
采用图像真伪检测模型对待检测图像的真伪性进行检测，以得到伪造图像。


11.一种图像检测模型的训练装置，包括：
第一获取单元，用于获取训练数据集，其中，所述训练数据集中包括多种训练图像，每一...

【专利技术属性】
技术研发人员：张天奕，陈建益，田天，
申请(专利权)人：北京瑞莱智慧科技有限公司，
类型：发明
国别省市：北京;11