联邦协作下的隐私型深度伪造检测方法技术

联邦协作下的隐私型深度伪造检测方法，属于计算机图像处理技术领域。方案如下：对数据进行预处理；通过联邦学习框架下的深度伪造检测算法对神经网络进行训练在各个客户端节点本地对待上传模型实施随机掩模和差分隐私噪声。有益效果:本发明专利技术所述的联邦协作下的隐私型深度伪造检测方法采用一种多方联合共同训练的方式，每个节点使用自己本地数据训练本地的深度伪造检测模型，每一次全局聚合中，本地节点只上传模型参数而不上传原始数据，中心服务器采用一定的聚合算法聚合得到全局模型参数，再下发给各节点做新一轮的迭代更新。再下发给各节点做新一轮的迭代更新。

【技术实现步骤摘要】
联邦协作下的隐私型深度伪造检测方法


[0001]本专利技术涉及计算机图像处理
，尤其涉及一种联邦协作下 的隐私型深度伪造检测方法。

技术介绍

[0002]深度伪造生成的图像或视频内容通常都包含人脸且将面部作为 主要内容，基于此生成一些多媒体信息用于诽谤、污蔑和造谣等的目 的。这些内容往往会对其中的人物和整个社会都产生很大的不利影 响，尤其当涉及到如保密性质的材料、重要社会公众人物时，限制了 对这部分数据的传播和使用。
[0003]法律的限制以及对于信息泄露的担忧使得这部分信息的使用具 有很大的不确定性。即使是常规图像，大多数人也不愿意将其共享出 来。数据的获取遭遇极大困难。
[0004]此外，在深度伪造检测中，由于不同的深度伪造方法生成的伪造 内容在特征上具有很大的差异，由单一数据集训练得到的检测器在迁 移到其他数据集进行检测时，检测性能会大大降低甚至失效。模型的 泛化性能较差。

技术实现思路

[0005]为了解决上述现有技术中存在的问题，本专利技术提供一种联邦协作 下的隐私型深度伪造检测方法，该检测方法将本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种联邦协作下的隐私型深度伪造检测方法，其特征在于，步骤如下：S1、对数据进行预处理；S2、通过联邦学习框架下的深度伪造检测算法对神经网络进行训练；S2.1、在输入层，执行一个大宽度的卷积；S2.2、输入被映射到隐空间Π，在隐空间Π中，将通道分成了两个分支F
a
和F
b
，每个分支都由若干重复的Shuffle块组成，Shuffle块是一个残差结构的模块，由单核分组卷积、通道打乱和深度可分离卷积组成；S2.3、使用注意力机制对两个分支进行监督，并在分支间进行交互：在第二个shuffle块的开端，引入了注意力机制将其与最后一个shuffle块相连；对于宽网络，通过有限的额外计算资源来计算不同通道的重要性；使用空间注意力机制连接两个分支作为监督；S2.4、在通道融合之后，得到更具有表达性的空间流和通道流信息，将分支块总结为以下公式：[f
ca
(X
branchA
)+f
sa
(X
branchB
)]
·
g(h(x
branchA
))[f
ca
(X
branchB
)+f
sa
(X
branchA
)]
·
g(h(x
branchB
))其中，，f
ca
表示通道注意力机制，f
sa
表示空间注意力机制，X
branchA
表示A分支的输入，X
branchB
表示B分支的输入，g，h分别表示A,B支路上的卷积数据变换；对于通道注意力，输入在空间维度上进行压缩并联合平均池化和最大池化；对于空间注意力，将通道压缩为1并合并最大池化和全局池化两张注意力图；模型的末尾是八个shuffle块，最后连接一个全连接层以得到最终的关于真实/伪造的分类结果；S3、在各个客户端节点本地对待上传模型实施随机掩模和差分隐私噪声。2.如权利要求1所述的联邦协作下的隐私型深度伪造检测方法，其特征在于，所述联邦学习框架的时序流程如下：A1、假设有k∈{1,...,K}个节点参与到每一轮的训练，每个节点k在其本地都保存有一个数据集D
k
，含有n
k
个样本，各节点数据不相交，即对任意i≠j均成立；因此，完全数据集D＝∪
k∈[k]
D
k
含有个样本点；A2、令W表示模型参数，求解一个全局优化目标函数G和局部优化目标函数...

【专利技术属性】
技术研发人员：吴铭侃，王波，王菲，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：