加密掩膜确定方法、装置、设备以及存储介质制造方法及图纸

本公开提供了一种加密掩膜确定方法、图像识别方法、模型训练方法、装置、设备、存储介质以及计算机程序产品，涉及人工智能技术领域，具体为计算机视觉和深度学习技术领域，可应用于图像处理、图像识别等场景。具体实现方案为：获取测试图像集合与加密掩膜集合；将测试图像集合中的图像与加密掩膜集合中的掩膜进行叠加，得到加密图像集合；分别用预先训练的加密图像识别模型和预先训练的原始图像识别模型对加密图像集合中的图像进行识别，得到第一识别结果；基于第一识别结果，从加密掩膜集合中确定出目标加密掩膜。根据预先训练的加密图像识别模型和预先训练的原始图像识别模型，从加密掩膜集合中确定出目标加密掩膜，在保证识别精度的前提下提高了图像的安全性。精度的前提下提高了图像的安全性。精度的前提下提高了图像的安全性。

【技术实现步骤摘要】
加密掩膜确定方法、装置、设备以及存储介质


[0001]本公开涉及人工智能
，具体为计算机视觉和深度学习
，可应用于图像处理、图像识别等场景，尤其涉及一种加密掩膜确定方法、图像识别方法、模型训练方法、装置、设备、存储介质以及计算机程序产品。

技术介绍

[0002]目前在图像识别中，通常是直接对整幅图像进行识别，容易泄露图像中的隐私信息。

技术实现思路

[0003]本公开提供了一种加密掩膜确定方法、图像识别方法、模型训练方法、装置、设备、存储介质以及计算机程序产品，提高了图像的安全性。
[0004]根据本公开的一方面，提供了一种加密掩膜确定方法，包括：获取测试图像集合与加密掩膜集合；将测试图像集合中的图像与加密掩膜集合中的掩膜进行叠加，得到加密图像集合；分别用预先训练的加密图像识别模型和预先训练的原始图像识别模型对加密图像集合中的图像进行识别，得到第一识别结果；基于第一识别结果，从加密掩膜集合中确定出目标加密掩膜。
[0005]根据本公开的另一方面，提供了一种图像识别方法，包括：读取预先确定的目标加密掩膜；将目标加密掩膜与待识别图像进行叠加，得到加密待识别图像；将加密待识别图像输入预先训练的加密图像识别模型，得到图像识别结果。
[0006]根据本公开的又一方面，提供了一种模型训练方法，包括：获取第一图像集合和加密掩膜集合，并将第一图像集合确定为第一训练样本；对加密掩膜集合中的掩膜进行随机抽样，将抽样得到的掩膜与第一图像集合中的图像进行叠加，得到第二训练样本；获取第二图像集合，并将第二图像集合确定为第三训练样本；基于第一训练样本训练第一初始模型，得到原始图像识别模型；基于第二训练样本，采用与训练第一初始模型相同的训练参数，训练第二初始模型，得到加密图像识别模型；基于第三训练样本训练第三初始模型，得到图像修复模型。
[0007]根据本公开的又一方面，提供了一种加密掩膜确定装置，包括：获取模块，被配置为获取测试图像集合与加密掩膜集合；第一叠加模块，被配置为将测试图像集合中的图像与加密掩膜集合中的掩膜进行叠加，得到加密图像集合；第一识别模块，被配置为分别用预先训练的加密图像识别模型和预先训练的原始图像识别模型对加密图像集合中的图像进行识别，得到第一识别结果；确定模块，被配置为基于第一识别结果，从加密掩膜集合中确定出目标加密掩膜。
[0008]根据本公开的又一方面，提供了一种图像识别装置，包括：读取模块，被配置为读取预先确定的目标加密掩膜；第二叠加模块，被配置为将目标加密掩膜与待识别图像进行叠加，得到加密待识别图像；第二识别模块，被配置为将加密待识别图像输入预先训练的加
密图像识别模型，得到图像识别结果。
[0009]根据本公开的又一方面，提供了一种模型训练装置，包括：第一获取模块，被配置为获取第一图像集合和加密掩膜集合，并将第一图像集合确定为第一训练样本；第二获取模块，被配置为对加密掩膜集合中的掩膜进行随机抽样，将抽样得到的掩膜与第一图像集合中的图像进行叠加，得到第二训练样本；第三获取模块，被配置为获取第二图像集合，并将第二图像集合确定为第三训练样本；第一训练模块，被配置为基于第一训练样本训练第一初始模型，得到原始图像识别模型；第二训练模块，被配置为基于第二训练样本，采用与训练第一初始模型相同的训练参数，训练第二初始模型，得到加密图像识别模型；第三训练模块，被配置为基于第三训练样本训练第三初始模型，得到图像修复模型。
[0010]根据本公开的又一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行上述加密掩膜确定方法、图像识别方法及模型训练方法。
[0011]根据本公开的又一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，上述计算机指令用于使上述计算机执行上述加密掩膜确定方法、图像识别方法及模型训练方法。
[0012]根据本公开的再一方面，提供了一种计算机程序产品，包括计算机程序，上述计算机程序在被处理器执行时实现上述加密掩膜确定方法、图像识别方法及模型训练方法。
[0013]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0014]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0015]图1是本公开可以应用于其中的示例性系统架构图；
[0016]图2是根据本公开的加密掩膜确定方法的一个实施例的流程图；
[0017]图3是根据本公开的加密掩膜确定方法的另一个实施例的流程图；
[0018]图4是根据本公开的加密掩膜确定方法的又一个实施例的流程图；
[0019]图5是根据本公开的加密掩膜确定方法的又一个实施例的流程图；
[0020]图6是根据本公开的从目标加密掩膜子集合中确定出目标加密掩膜的一个实施例的流程图；
[0021]图7是根据本公开的基于预先训练的加密图像识别模型和预先训练的图像修复模型，从候选加密掩膜集合中确定出目标加密掩膜的一个实施例的流程图；
[0022]图8是根据本公开的图像识别方法的一个实施例的流程图；
[0023]图9是根据本公开的模型训练方法的一个实施例的流程图；
[0024]图10是根据本公开的加密掩膜确定装置的一个实施例的结构示意图；
[0025]图11是根据本公开的图像识别装置的一个实施例的结构示意图；
[0026]图12是根据本公开的模型训练装置的一个实施例的结构示意图；
[0027]图13是用来实现本公开实施例的加密掩膜确定方法或图像识别方法或模型训练方法的电子设备的框图。
具体实施方式
[0028]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0029]图1示出了可以应用本公开的加密掩膜确定方法或图像识别方法或模型训练方法或加密掩膜确定装置或图像识别装置或模型训练装置的实施例的示例性系统架构100。
[0030]如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
[0031]用户可以使用终端设备101、102、103通过网络104与服务器105交互，以获取目标加密掩膜等。终端设备101、102、103上可以安装有各种客户端应用，例如图像处理应用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种加密掩膜确定方法，包括：获取测试图像集合与加密掩膜集合；将所述测试图像集合中的图像与所述加密掩膜集合中的掩膜进行叠加，得到加密图像集合；分别用预先训练的加密图像识别模型和预先训练的原始图像识别模型对所述加密图像集合中的图像进行识别，得到第一识别结果；基于所述第一识别结果，从所述加密掩膜集合中确定出目标加密掩膜。2.根据权利要求1所述的方法，其中，所述将所述测试图像集合中的图像与所述加密掩膜集合中的掩膜进行叠加，得到加密图像集合包括：基于所述加密掩膜集合中的掩膜的遮挡面积，将所述加密掩膜集合划分为多个加密掩膜子集合；将所述测试图像集合中的图像与所述多个加密掩膜子集合中的掩膜进行叠加，得到多个加密图像子集合；将所述多个加密图像子集合确定为所述加密图像集合。3.根据权利要求2所述的方法，其中，所述分别用预先训练的加密图像识别模型和预先训练的原始图像识别模型对所述加密图像集合中的图像进行识别，得到第一识别结果包括：使用所述预先训练的加密图像识别模型对所述加密图像集合中的图像进行识别，得到所述加密图像集合中的各加密图像子集合对应的第一识别精度；使用所述预先训练的原始图像识别模型对所述加密图像集合中的图像进行识别，得到所述加密图像集合中的各加密图像子集合对应的第二识别精度；将所述第一识别精度和所述第二识别精度确定为所述第一识别结果。4.根据权利要求3所述的方法，其中，所述基于所述第一识别结果，从所述加密掩膜集合中确定出目标加密掩膜包括：基于所述第一识别精度和所述第二识别精度，从所述加密掩膜集合中确定出目标加密掩膜子集合，并将所述目标加密掩膜子集合对应的加密图像子集合确定为目标加密图像子集合；使用所述预先训练的加密图像识别模型对所述目标加密图像子集合中的图像进行识别，得到第二识别结果；基于所述第二识别结果，从所述目标加密掩膜子集合中确定出所述目标加密掩膜。5.根据权利要求4所述的方法，其中，所述使用所述预先训练的加密图像识别模型对所述目标加密图像子集合中的图像进行识别，得到第二识别结果包括：使用所述预先训练的加密图像识别模型对所述目标加密图像子集合中的图像进行识别，得到目标加密图像子集合中的各图像对应的第三识别精度；将所述第三识别精度确定为所述第二识别结果。6.根据权利要求5所述的方法，其中，所述基于所述第二识别结果，从所述目标加密掩膜子集合中确定出所述目标加密掩膜包括：基于所述第三识别精度，从所述目标加密掩膜子集合中确定出候选加密掩膜集合；基于所述预先训练的加密图像识别模型和预先训练的图像修复模型，从所述候选加密
掩膜集合中确定出所述目标加密掩膜。7.根据权利要求6所述的方法，其中，所述基于所述预先训练的加密图像识别模型和预先训练的图像修复模型，从所述候选加密掩膜集合中确定出所述目标加密掩膜包括：将所述候选加密掩膜集合中的掩膜与所述测试图像集合中的图像进行叠加，得到第一候选加密图像集合；用所述预先训练的图像修复模型对所述第一候选加密图像集合中的图像进行修复，得到第二候选加密图像集合；使用所述预先训练的加密图像识别模型，对所述第一候选加密图像集合中的图像进行识别，得到所述第一候选加密图像集合中的各图像对应的第四识别精度；使用所述预先训练的加密图像识别模型对所述第二候选加密图像集合中的图像进行识别，得到所述第二候选加密图像集合中的各图像对应的第五识别精度；基于所述第四识别精度和所述第五识别精度，从所述候选加密掩膜集合中确定出所述目标加密掩膜。8.一种图像识别方法，包括：读取预先确定的目标加密掩膜，所述目标加密掩膜根据如权利要求1
‑
7任一项所述的方法生成；将所述目标加密掩膜与待识别图像进行叠加，得到加密待识别图像；将所述加密待识别图像输入预先训练的加密图像识别模型，得到图像识别结果。9.一种模型训练方法，包括：获取第一图像集合和加密掩膜集合，并将所述第一图像集合确定为第一训练样本；对所述加密掩膜集合中的掩膜进行随机抽样，将抽样得到的掩膜与所述第一图像集合中的图像进行叠加，得到第二训练样本；获取第二图像集合，并将所述第二图像集合确定为第三训练样本；基于所述第一训练样本训练第一初始模型，得到原始图像识别模型；基于所述第二训练样本，采用与训练第一初始模型相同的训练参数，训练第二初始模型，得到加密图像识别模型；基于所述第三训练样本训练第三初始模型，得到图像修复模型。10.一种加密掩膜确定装置，所述装置包括：获取模块，被配置为获取测试图像集合与加密掩膜集合；第一叠加模块，被配置为将所述测试图像集合中的图像与所述加密掩膜集合中的掩膜进行叠加，得到加密图像集合；第一识别模块，被配置为分别用预先训练的加密图像识别模型和预先训练的原始图像识别模型对所述加密图像集合中的图像进行识别，得到第一识别结果；确定模块，被配置为基于所述第一识别结果，从所述加密掩膜集合中确定出目标加密掩膜。11.根据权利要求10所述的...

【专利技术属性】
技术研发人员：刘吉，李岐龙，窦德景，张重生，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：