生物检测模型的训练方法技术

本申请实施例提供一种生物检测模型的训练方法

【技术实现步骤摘要】
生物检测模型的训练方法、生物检测方法及相关产品


[0001]本申请涉及人工智能
，尤其涉及一种生物检测模型的训练方法
、
生物检测方法及相关产品
。

技术介绍

[0002]近年来，随着人脸识别系统的不断发展，生物检测成为人脸识别系统中不可缺少的一环
。
生物检测用于验证是否为真实的用户本人，通过生物检测，能够区分人体等生命物质的人脸生物特征和照片
、
硅胶
、
塑料等非生命物质伪造的人脸生物特征，防止不法分子通过伪造人脸特征通过人脸验证
。
[0003]然而，随着人脸识别系统不断的应用到更多的领域，生物检测的场景会不断发生变化，并且会遇到不同类型的生物攻击，不同类型的生物攻击在不同场景中的表征迥异，现有的生物检测模型在场景
、
攻击类型变化后，对生物攻击的检测准确率低，难以应对不断变化的场景和不断变化的生物攻击类型
。

技术实现思路

[0004]本申请实施例提供一种生物检测模型的训练方法
、
生物检测方法及相关产品，以对不同场景下的复杂生物攻击提供更优的检测效果，更好的应对新场景中的复杂生物攻击
。
[0005]第一方面，本申请实施例提供一种生物攻击检测模型的训练方法，所述方法包括：
[0006]获取多个场景对应的多个多模态样本图像，所述多模态样本图像中包含待生物检测的样本目标的图像信息；
[0007]将所述多个多模态样本图像输入训练模型的特征提取网络，提取所述多个多模态样本图像中每个多模态样本图像的通用特征和特有特征；
[0008]将所述通用特征输入训练模型的场景分类网络，计算生成所述通用特征的对抗损失值；
[0009]将所述通用特征和所述特有特征输入所述训练模型的特征重组网络，对所述通用特征和所述特有特征进行重组，得到多个重组特征；其中，每个重组特征基于一个通用特征和一个特有特征重组而成；
[0010]将所述多个重组特征中的自组特征输入所述训练模型的攻击识别网络，计算识别所述自组特征的生物攻击类型的分类损失值；其中，所述自组特征重组所基于的通用特征和特有特征来自同一多模态样本图像；
[0011]将所述多个重组特征输入所述训练模型的对比网络，计算所述多个重组特征中的混合特征与所述自组特征之间的对比损失值，其中，所述混合特征重组所基于的通用特征和特有特征来自不同的多模态样本图像；
[0012]根据所述对抗损失值
、
分类损失值以及对比损失值计算总体损失值，根据所述总体损失值训练所述训练模型，根据训练后的所述训练模型中的特征提取网络
、
特征重组网
络
、
攻击识别网络得到训练后的生物检测模型
。
[0013]第二方面，本申请实施例提供一种生物检测方法，所述方法包括：
[0014]获取目标场景的多模态目标图像，其中，所述多模态目标图像中包含待生物检测的目标的图像信息；
[0015]将所述多模态目标图像输入训练后的生物检测模型中，预测所述多模态目标图像中的所述目标的生物攻击类型；
[0016]其中，所述生物检测模型通过前述实施例提供的生物检测模型的训练方法训练得到
。
[0017]第三方面，本申请实施例提供一种生物检测模型的训练装置，所述装置包括：
[0018]样本获取模块，用于获取多个场景对应的多个多模态样本图像，所述多模态样本图像中包含待生物检测的样本目标的图像信息；
[0019]特征提取模块，用于将所述多个多模态样本图像输入训练模型的特征提取网络，提取所述多个多模态样本图像中每个多模态样本图像的通用特征和特有特征；
[0020]对抗损失计算模块，用于将所述通用特征输入训练模型的场景分类网络，计算生成所述通用特征的对抗损失值；
[0021]特征重组模块，用于将所述通用特征和所述特有特征输入所述训练模型的特征重组网络，对所述通用特征和所述特有特征进行重组，得到多个重组特征；其中，每个重组特征基于一个通用特征和一个特有特征重组而成；
[0022]分类损失模块，用于将所述多个重组特征中的自组特征输入所述训练模型的攻击识别网络，计算识别所述自组特征的生物攻击类型的分类损失值；其中，所述自组特征重组所基于的通用特征和特有特征来自同一多模态样本图像；
[0023]对比损失计算模块，用于将所述多个重组特征输入所述训练模型的对比网络，计算所述多个重组特征中的混合特征与所述自组特征之间的对比损失值，其中，所述混合特征重组所基于的通用特征和特有特征来自不同的多模态样本图像；
[0024]训练模块，用于根据所述对抗损失值
、
分类损失值以及对比损失值计算总体损失值，根据所述总体损失值训练所述训练模型，根据训练后的所述训练模型中的特征提取网络
、
特征重组网络
、
攻击识别网络得到训练后的生物检测模型
。
[0025]第四方面，本申请实施例提供一种生物检测装置，所述装置包括：
[0026]图像获取模块，用于获取目标场景的多模态目标图像，其中，所述多模态目标图像中包含待生物检测的目标的图像信息；
[0027]预测模块，用于将所述多模态目标图像输入训练后的生物检测模型中，预测所述多模态目标图像中的所述目标的生物攻击类型；
[0028]其中，所述生物检测模型通过前述实施例提供的生物检测模型的训练方法训练得到
。
[0029]第五方面，本申请实施例提供一种计算机设备，所述设备包括：
[0030]处理器；以及
[0031]被安排成存储计算机可执行指令的存储器，所述可执行指令被配置由所述处理器执行，所述可执行指令包括用于执行如前述实施例提供的生物检测模型的训练方法或如前述实施例提供的生物检测方法中的步骤
。
[0032]第六方面，本申请实施例提供一种存储介质，所述存储介质用于存储计算机可执行指令，所述可执行指令使得计算机执行如前述实施例提供的生物检测模型的训练方法或如前述实施例提供的生物检测方法
。
附图说明
[0033]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请一个或多个中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图
。
[0034]图1为本申请实施例提供的一种生物检测模型的训练方法的流程示意图；
[0035]图2为图1所示的训练方法中所采用的一种训练模型的结构示意图；
[0036]图3为本申请实施例提供的一种生物检测方法的流程示意图；
[0037]图4为本申请实施例提供的一种生物检测模型的训练装置的模块示意图；
[0038本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种生物检测模型的训练方法，所述方法包括：获取多个场景对应的多个多模态样本图像；其中，所述多模态样本图像中包含待生物检测的样本目标的图像信息；将所述多个多模态样本图像输入训练模型的特征提取网络，提取所述多个多模态样本图像中每个多模态样本图像的通用特征和特有特征；将所述通用特征输入训练模型的场景分类网络，计算生成所述通用特征的对抗损失值；将所述通用特征和所述特有特征输入所述训练模型的特征重组网络，对所述通用特征和所述特有特征进行重组，得到多个重组特征；其中，每个重组特征基于一个通用特征和一个特有特征重组而成；将所述多个重组特征中的自组特征输入所述训练模型的攻击识别网络，计算识别所述自组特征的生物攻击类型的分类损失值；其中，所述自组特征重组所基于的通用特征和特有特征来自同一多模态样本图像；将所述多个重组特征输入所述训练模型的对比网络，计算所述多个重组特征中的混合特征与所述自组特征之间的对比损失值；其中，所述混合特征重组所基于的通用特征和特有特征来自不同的多模态样本图像；根据所述对抗损失值
、
分类损失值以及对比损失值计算总体损失值，根据所述总体损失值训练所述训练模型，根据训练后的所述训练模型中的特征提取网络
、
特征重组网络
、
攻击识别网络得到训练后的生物检测模型
。2.
根据权利要求1所述的训练方法，所述获取多个场景对应的多个多模态样本图像，包括：针对多个预设场景中的每个场景，从多个模态的数据源中获取该场景的多个模态的样本图像；对所述多个模态的样本图像进行图像融合，得到该场景的多模态样本图像
。3.
根据权利要求2所述的训练方法，所述多个模态的数据源，包括以下中的至少两个数据源：
RGB
数据源
、
红外数据源和三维深度数据源
。4.
根据权利要求1所述的训练方法，所述生物攻击类型包括以下中的至少一项：纸张类生物攻击
、
电子屏幕类生物攻击
、
面具类生物攻击和非生物攻击
。5.
根据权利要求1所述的训练方法，所述特征提取网络包括：通用特征提取网络；所述将所述多个多模态样本图像输入训练模型的特征提取网络，提取所述多个多模态样本图像中每个多模态样本图像的通用特征和特有特征，包括：将所述多模态样本图像输入所述特征提取网络，通过所述特征提取网络中的通用特征提取网络提取所述多模态样本图像的通用特征；所述将所述通用特征输入所述训练模型的场景分类网络，计算生成所述通用特征的对抗损失值，包括：将所述通用特征输入所述场景分类网络，预测所述通用特征的场景类别；根据所述通用特征的场景类别预测结果计算所述通用特征的场景分类损失值，根据所述通用特征的场景分类损失值计算所述场景分类网络与所述通用特征提取网络之间的对
抗损失值
。6.
根据权利要求5所述的训练方法，所述特征提取网络还包括：特有特征提取网络；所述将所述至少一个场景的多模态样本图像输入特征提取网络，提取各场景的多模态样本的通用特征和特有特征，还包括：通过所述特征提取网络中的特有特征提取网络，从所述多模态样本图像中提取所述多模态样本图像的特有特征
。7.
根据权利要求1所述的训练方法，所述将所述多个重组特征中的自组特征输入所述训练模型的攻击识别网络，计算识别所述自组特征的生物攻击类型的分类损失值，包括：将所述自组特征输入所述攻击识别网络，预测所述自组特征的生物攻击类型；基于预设分类损失函数，根据所述自组特征的生物攻击类型预测结果计算所述自组特征的生物攻击类型的分类损失值
。8.
根据权利要求1所述的训练方法，...

【专利技术属性】
技术研发人员：武文琦，
申请(专利权)人：支付宝杭州信息技术有限公司，
类型：发明
国别省市：