本申请提出的基于不确定性感知层次监督的人脸伪造检测方法、装置及存储介质，获取多个不同人脸图像样本，通过卷积神经网络和上采样层提取多个不同人脸图像样本中每个人脸图像样本的特征图，将每个人脸图像样本的特征图输入多层次监督网络中得到各层次监督网络的预测结果，利用预设损失函数得到各层次监督网络对应的计算结果，根据网络梯度下降算法和各层次监督网络对应的计算结果进行训练，得到目标多层次监督网络，利用目标多层次监督网络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是否为伪造人脸。其中，本申请提出的方法提高了网络的鲁棒性、泛化性，同时还提高了检测结果的准确性。同时还提高了检测结果的准确性。同时还提高了检测结果的准确性。
【技术实现步骤摘要】
一种基于不确定性感知层次监督的人脸伪造检测方法
[0001]本申请涉及计算机视觉与机器学习
，尤其涉及一种基于不确定性感知层次监督的人脸伪造检测方法、装置及存储介质。
技术介绍
[0002]随着深度生成模型不断地发展进步，越来越多的人脸编辑方法能够让使用者可以任意地编辑人脸属性甚至直接改变人脸图像的身份。并且这些方法可以生成极其逼真的图像，以至于连人眼都不能完全正确地区分它们。与此同时，通过高度发达的互联网技术和社交网络，能够轻而易举地获得他人的照片甚至视频，进而为人脸编辑方法提供了大量的素材，因此，各种视觉错误信息和人脸编辑技术的滥用可能会导致严重的信任危机，例如，利用伪造图像攻击人脸识别系统。因此，需要有效的人脸伪造检测方法以检测得到的人脸图像是否是被编辑过。
[0003]相关技术中，通过基于纹理的人脸伪造检测方法或基于纹理的方法将不同的额外信息、先验知识与卷积神经网络模型结合起来进行人脸伪造检测，但是相关技术中主要关注整个图像或者图像中的局部区域，而人脸数据的掩码标签会携带数据不确定性，从而导致出现鲁棒性、泛化性不足、降低检测结果准确性。
技术实现思路
[0004]本申请提供一种基于不确定性感知层次监督的人脸伪造检测方法、装置及存储介质，以至少解决相关技术中的鲁棒性、泛化性不足、检测结果准确性低的技术问题。
[0005]本申请第一方面实施例提出一种基于不确定性感知层次监督的人脸伪造检测方法，包括：
[0006]获取多个不同人脸图像样本；
[0007]通过卷积神经网络和上采样层提取所述多个不同人脸图像样本中每个人脸图像样本的特征图；
[0008]将所述每个人脸图像样本的特征图输入多层次监督网络中的各层次监督网络进行预测得到所述各层次监督网络的预测结果，其中，所述多层次监督网络包括多个不同层次的监督网络；
[0009]利用预设损失函数对所述各层次监督网络的预测结果进行计算，得到各层次监督网络对应的计算结果；
[0010]根据网络梯度下降算法和所述各层次监督网络对应的计算结果训练所述多层次监督网络中的各层次监督网络，得到目标多层次监督网络；
[0011]利用所述目标多层次监督网络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是否为伪造人脸。
[0012]本申请第二方面实施例提出一种基于不确定性感知层次监督的人脸伪造检测装置，包括：
[0013]获取模块，用于获取多个不同人脸图像样本；
[0014]提取模块，用于通过卷积神经网络和上采样层提取所述多个不同人脸图像样本中每个人脸图像样本的特征图；
[0015]预测模块，用于将所述每个人脸图像样本的特征图输入多层次监督网络中的各层次监督网络进行预测得到所述各层次监督网络的预测结果，其中，所述多层次监督网络包括多个不同层次的监督网络；
[0016]计算模块，用于利用预设损失函数对所述各层次监督网络的预测结果进行计算，得到各层次监督网络对应的计算结果；
[0017]训练模块，用于根据网络梯度下降算法和所述各层次监督网络对应的计算结果训练所述多层次监督网络中的各层次监督网络，得到目标多层次监督网络；
[0018]判断模块，用于利用所述目标多层次监督网络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是否为伪造人脸。
[0019]本申请第三方面实施例提出的非临时性计算机可读存储介质，其中，所述非临时性计算机可读存储介质存储有计算机程序；所述计算机程序被处理器执行时实现如上第一方面所示的方法。
[0020]本申请第四方面实施例提出的计算机设备，其中，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行所述程序时，能够实现如上第一方面所述的方法。
[0021]本申请的实施例提供的技术方案至少带来以下有益效果：
[0022]本申请提出的基于不确定性感知层次监督的人脸伪造检测方法、装置及存储介质中，获取多个不同人脸图像样本，通过卷积神经网络和上采样层提取多个不同人脸图像样本中每个人脸图像样本的特征图，将每个人脸图像样本的特征图输入多层次监督网络中的各层次监督网络进行预测得到各层次监督网络的预测结果，其中，多层次监督网络包括多个不同层次的监督网络，利用预设损失函数对各层次监督网络的预测结果进行计算，得到各层次监督网络对应的计算结果，根据网络梯度下降算法和各层次监督网络对应的计算结果训练多层次监督网络中的各层次监督网络，得到目标多层次监督网络，利用目标多层次监督网络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是否为伪造人脸。其中，本申请通过人脸图像的二值掩码标签来辅助整体的网络结构，以层次监督的方法提高了网络的鲁棒性和泛化性，同时利用不确定性估计方法处理掩码标签天然携带的数据不确定性，并利用自注意力变换网络有效地提取图像的特征，从而提高了检测结果的准确性。
[0023]本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
[0024]本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0025]图1为根据本申请一个实施例提供的基于不确定性感知层次监督的人脸伪造检测方法的流程示意图；
[0026]图2为根据本申请一个实施例提供的基于不确定性感知层次监督的人脸伪造检测装置的结构示意图。
具体实施方式
[0027]下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
[0028]下面参考附图描述本申请实施例的基于不确定性感知层次监督的人脸伪造检测方法及装置。
[0029]实施例一
[0030]图1为根据本申请一个实施例提供的基于不确定性感知层次监督的人脸伪造检测方法的流程示意图，如图1所示，可以包括：
[0031]步骤101、获取多个不同人脸图像样本。
[0032]本实施例中，每次获取不同图像样本的数量可以相同，例如每次获取120张不同的图像样本。
[0033]以及，在本专利技术的实施例中，可以获取到矩阵形式的人脸图像样本，例如获取到的一个人脸图像样本为I∈R
H
×
W
×3。
[0034]步骤102、通过卷积神经网络和上采样层提取多个不同人脸图像样本中每个人脸图像样本的特征图。
[0035]其中，在本专利技术的实施例中，通过卷积神经网络和上采样层提取多个不同人脸图像样本中每个人脸图像样本的特征图的方法可以包括以下步骤：
[0036]步骤a、通过卷积网络提取多个不同人脸图像样本中每个人脸图像样本的初始特征图。
[0037]其中，在本专利技术的实施例中，上述提取到一本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于不确定性感知层次监督的人脸伪造检测方法，其特征在于，包括以下步骤：获取多个不同人脸图像样本；通过卷积神经网络和上采样层提取所述多个不同人脸图像样本中每个人脸图像样本的特征图；将所述每个人脸图像样本的特征图输入多层次监督网络中的各层次监督网络进行预测得到所述各层次监督网络的预测结果，其中，所述多层次监督网络包括多个不同层次的监督网络；利用预设损失函数对所述各层次监督网络的预测结果进行计算，得到各层次监督网络对应的计算结果；根据网络梯度下降算法和所述各层次监督网络对应的计算结果训练所述多层次监督网络中的各层次监督网络，得到目标多层次监督网络；利用所述目标多层次监督网络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是否为伪造人脸。2.如权利要求1中所述的方法，其特征在于，所述通过卷积神经网络和上采样层提取所述多个不同人脸图像样本中每个人脸图像样本的特征图，包括：通过卷积网络提取所述多个不同人脸图像样本中每个人脸图像样本的初始特征图；采用多个连续上采样卷积块增加所述每个人脸图像样本的初始特征图的分辨率，得到所述每个人脸图像样本的特征图。3.如权利要求1中所述的方法，其特征在于，所述多层次监督网络包括像素级监督网络、区域级监督网络、图像级监督网络，所述将所述每个人脸图像样本的特征图输入多层次监督网络中的各层次监督网络进行预测得到所述各层次监督网络的预测结果，包括：将所述每个人脸图像样本的特征图输入像素级监督网络进行预测得到所述每个人脸图像样本的像素级预测结果；将所述每个人脸图像样本的特征图输入区域级监督网络进行预测得到所述每个人脸图像样本的区域级预测结果；将所述每个人脸图像样本的特征图输入图像级监督网络进行预测得到所述所述每个人脸图像样本的图像级预测结果。4.如权利要求3中所述的方法，其特征在于，所述将所述每个人脸图像样本的特征图输入像素级监督网络进行预测得到所述每个人脸图像样本的像素级预测结果包括通过多个卷积神经网络进行预测得到所述每个人脸图像样本的像素级预测结果。5.如权利要求3中所述的方法，其特征在于，所述将所述每个人脸图像样本的特征图输入区域级监督网络进行预测得到所述每个人脸图像样本的区域级预测结果，包括：利用Sigmoid函数得到所述每个人脸图像样本的特征图对应的归一化方差图；基于所述每个人脸图像样本的归一化方差图...
【专利技术属性】
技术研发人员：鲁继文，周杰，于炳耀，
申请(专利权)人：清华大学，
类型：发明
国别省市：
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。