基于差异感知元学习的伪造人脸检测方法和装置制造方法及图纸

本申请提出一种基于差异感知元学习的伪造人脸检测方法和装置。其中方法包括：基于包含多个攻击类型的数据集构建零样本任务；针对零样本任务，利用零样本任务之中支持集对特征提取器、差异图回归网络和元分类器进行元训练，得到支持集上的差异损失和分类损失；利用经过元训练后的特征提取器、差异图回归网络和元分类器，在零样本任务之中的测试集上进行元测试，得到测试集上的差异损失和分类损失；根据支持集上的差异损失和分类损失、测试集上的差异损失和分类损失，分别对特征提取器、差异图回归网络和元分类器进行模型参数的优化；利用最终的元分类器对待检测人脸图像进行预测，并根据预测结果判断待检测人脸图像之中的人脸是否为伪造人脸。

【技术实现步骤摘要】
基于差异感知元学习的伪造人脸检测方法和装置
本申请涉及计算机视觉与机器学习
，尤其涉及一种基于差异感知元学习的伪造人脸检测方法、装置、电子设备和存储介质。
技术介绍
人脸作为生物特征已经被广泛地应用在很多场景，例如远程控制、安全检查以及移动支付等。然而，随着人脸识别技术的飞速发展和广泛应用，也会出现一些不法分子尝试攻击人脸识别系统来获取不正当的利益。如今深度学习大行其道，众多人脸生成、编辑和伪造技术如雨后春笋般涌现，使得编辑人脸属性乃至于更换人脸身份的技术愈来愈易于实现和效果逼真。因此，伪造人脸图片对人脸识别系统造成了极大的安全威胁，为了解决这个问题，伪造人脸检测技术就显得尤为重要。现在的伪造人脸检测技术可以大致分为两类：基于空域特征和基于时域特征。基于空域特征的方法一般会挖掘人脸伪造过程中产生的伪影，如拼接痕迹、伪造纹理和前景背景差异。但是这些现有的方法都存在以下问题：它们大多都只针对于现有的伪造人脸方法，也即在同一个伪造人脸数据集上进行训练和测试，这样的模型优化过程很可能使得方法陷入过拟合的困境。而且在真实的应用场景里，不法分本文档来自技高网...

【技术保护点】
1.一种基于差异感知元学习的伪造人脸检测方法，其特征在于，包括：/n基于包含多个不同攻击类型的数据集构建零样本任务，其中，所述零样本任务包含支持集和测试集；/n针对所述零样本任务，利用所述零样本任务之中的支持集对特征提取器、差异图回归网络和元分类器进行元训练，得到所述支持集上的差异损失和分类损失；/n利用经过元训练后的特征提取器、差异图回归网络和元分类器，在所述零样本任务之中的测试集上进行元测试，得到所述测试集上的差异损失和分类损失；/n根据所述支持集上的差异损失和分类损失、所述测试集上的差异损失和分类损失，分别对所述特征提取器、差异图回归网络和元分类器进行模型参数的优化，获得最终的元分类器；...

【技术特征摘要】
1.一种基于差异感知元学习的伪造人脸检测方法，其特征在于，包括：
基于包含多个不同攻击类型的数据集构建零样本任务，其中，所述零样本任务包含支持集和测试集；
针对所述零样本任务，利用所述零样本任务之中的支持集对特征提取器、差异图回归网络和元分类器进行元训练，得到所述支持集上的差异损失和分类损失；
利用经过元训练后的特征提取器、差异图回归网络和元分类器，在所述零样本任务之中的测试集上进行元测试，得到所述测试集上的差异损失和分类损失；
根据所述支持集上的差异损失和分类损失、所述测试集上的差异损失和分类损失，分别对所述特征提取器、差异图回归网络和元分类器进行模型参数的优化，获得最终的元分类器；
获取待检测人脸图像，其中，所述待检测人脸图像所属的人脸攻击类型不包含于所述多个不同攻击类型中；
利用所述最终的元分类器对待检测人脸图像进行预测，并根据预测结果判断所述待检测人脸图像之中的人脸是否为伪造人脸。


2.根据权利要求1所述的方法，其特征在于，通过以下公式计算所述支持集上的差异损失：



其中，为支持集，D,F分别为所述差异图回归网络和所述特征提取器，θD,θF为对应参数，Ix为输入人脸图片，Id为理论差异图标签，Ldis为差异损失函数。


3.根据权利要求2所述的方法，其特征在于，所述差异损失函数表示如下：



其中，i,j为图像中像素的位置，Id,分别为给定的差异图标签和所述差异图回归网络输出的预测差异图。


4.根据权利要求3所述的方法，其特征在于，通过以下方式获得所述差异图标签：
基于预设算法将图像之中的所有像素进行归一化；
针对不同伪造人脸攻击类型，采用对应的设置方式对归一化后的图像进行差异图标签的设置。


5.根据权利要求1所述的方法，其特征在于，通过以下公式计算所述支持集上的分类损失：



其中，C为所述元分类器，θC为对...

【专利技术属性】
技术研发人员：周杰，鲁继文，于炳耀，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京;11