【技术实现步骤摘要】
检测伪造人脸图像视频的增量学习方法及系统
[0001]本专利技术涉及图像识别分类中的人脸伪造检测
,并特别涉及一种检测伪造人脸图像视频的增量学习方法及系统。
技术介绍
[0002]现有的伪造检测技术主要包括但不限于以下四类:
[0003](1)基于深度神经网络特征提取的方法。此类方法将真实样本和合成样本直接送入神经网络中进行有监督训练,期望网络学习到正负样本不同的内在分布,并通过一个二分类器输出预测结果。这类方法往往依赖于网络本身,特征提取能力强的网络通常有更好的分类结果,目前最流行的基础网络如ResNet、CapsuleNet、XceptionNet以及EfficientNet等已经被用于人脸伪造检测任务。这些方法在域内测试取得了良好的检测结果,但在域间测试检测性能大幅下降,表现为泛化性能的不足。因此,很多工作被提出用于提高网络的泛化性能,共同思想都是希望通过找到或者强化合成数据存在的伪造痕迹来进行判别。通过挖掘通道差分图像和频谱图像中的内在特征来改进网络的泛化能力;利用全局图像纹理表示来进行伪造检测的网络结构Gram
‑
Net,并改善了泛化能力;用多级特征全局一致性的方法提高了网络的泛化能力。这些工作推进了伪造检测技术的发展,但还不能较好地解决泛化能力不足的问题。
[0004](2)基于图像上下文空间的检测方法。此类方法认为合成图像只是对图像中面部区域进行了篡改,而图像中其它部分(比如背景、躯干)并没有更改,理论上真实图像和合成图像内部存在着必然的不同,真实图像内部是连续的 ...
【技术保护点】
【技术特征摘要】
1.一种检测伪造人脸图像视频的增量学习方法,其特征在于,包括:步骤1、获取待增量学习的该伪造人脸图像检测模型作为基础模型,该基础模型包括用于提取图像特征的特征提取器Φ
t
‑1,以及为图像特征分配伪造人脸图像检测类别的分类器H
t
;步骤2、获取已标注伪造类别的训练图像;在该基础模型中新建特征提取器F
i
;在当前时刻t时,特征提取器Φ
t
‑1和新特征提取器F
t
组成征提取器Φ
t
,其中对于输入的训练图像x,Φ
t
提取的特征υ为:υ=Φ
t
(x)=[Φ
t
‑1(x),F
t
(x)]步骤3、在该基础模型中新建辅助分类器H
t
',H
t
'的标签空间是|Y
t
|+1,包括时刻t时增量学习任务Y
t
中的类别和该基础模型所能识别的所有旧类别,对于该输入的训练图像x,辅助分类器H
t
'根据下式得到辅助分类结果:pH'
t
(y|x)=Softmax(H'
t
(F
t
(x)))该辅助分类结果和该训练图像x对应的伪造类别,构建辅助损失L
H't
;将特征υ输入分类器H
t
:pH
t
(y|x)=Softmax(H
t
(υ))得到该训练图像x的在各伪造类别下的得分,取得分最高的伪造类别作为分类结果得到该训练图像x的在各伪造类别下的得分,取得分最高的伪造类别作为分类结果其中其中为所有图像类别;通过该分类结果和该训练图像x对应的伪造类别构建分类损失L
C
;由该分类损失L
C
和辅助损失L
H't
构建总损失,以更新该分类器H
t
和该新建特征提取器F
i
的权重参数;直到该总损失收敛或达到指定的迭代次数,保存当前基础模型作为最终识别模型;步骤4、将待伪造人脸图像检测的图像输入该最终识别模型,得到其识别结果。2.如权利要求1所述的检测伪造人脸图像视频的增量学习方法,其特征在于,该H
t
的初始参数继承自H
t
‑1,H
t
的输出维度不断更新,以匹配增加的伪造类别数目,并对其新添加的参数进行随机初始化;Φ
t
‑1包括至少一个特征提取器,特征提取器F
i
的权重初始参数继承自F
i
‑1,其中i代表第i个增量学习任务。3.如权利要求1所述的检测伪造人脸图像视频的增量学习方法,其特征在于,该分类器H
t
为二分类器,当前该增量学习任务其中x
tk
表示时刻t中第k种伪造方法下的真实图像和伪造图像,y
tk
表示时刻t中第k种伪造方法下的二分类标签,表示时刻t中第k种伪造方法下的多分类标签;在训练过程中,二分类标签参与损失函数的计算,多分类标签z
tk
用于模型区分新类别和旧类别;在二分类学习中,总损失函数由二分类器的交叉熵损失L
BC
及辅助分类器的多分类交叉熵损失L
H't
构成:L=L
BC
+λ
a
L
H
'
t
λ
a
是控制辅助分类器效果的超参数。4.如权利要求1所述的检测伪造人脸图像视频的增量学习方法,其特征在于,该分类器H
t
为多分类器,当前该增量学习任务其中表示时刻t中第k种伪造方法下
的真实图像和伪造图像,y
tk
表示与之对应的多分类标签;在多分类学习中,损失函数由一个多分类器的交叉熵损失L
MC
及辅助分类器的多分类交叉熵损失L
H't
构成:L=L
MC
+λ
b
L
H
'
t
λ
b
是控制辅助分类器效果的超参数。5.如权利要求1所述的检测伪造人脸图像视频的增量学习方法,其特征在于,该分类器H
t
为由多分类和二分类构成的多分支分类器,当前该增量学习任务其中表示时刻t中第k种伪造方法下的真实图像和伪造图像,表示时刻t中第k种伪造方法下的二分类标签,z
tk
表示时刻t中第k种伪造方法下的多分类标签;总损失函数由二分类器的交叉熵损失L
BC
、辅助分类器的多分类交叉熵损失L
H't
和多分类器的交叉熵损失L
MC
构成:L=L
MC
+λ
c
L
BC
+λ
d
L
H
'
t
λ
d
是控制辅助分类器效果的超参数,λ
c
则是平衡二分类损失和多分...
【专利技术属性】
技术研发人员:夏时洪,范振峰,赵泽军,丁博,
申请(专利权)人:中国科学院计算技术研究所,
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。