图像鉴伪模型训练方法技术

本发明专利技术涉及图像处理技术领域，提供一种图像鉴伪模型训练方法

【技术实现步骤摘要】
图像鉴伪模型训练方法、图像鉴伪方法、装置及电子设备


[0001]本专利技术涉及图像处理
，尤其涉及一种图像鉴伪模型训练方法
、
图像鉴伪方法
、
装置及电子设备
。

技术介绍

[0002]随着人脸编辑技术的快速发展，人脸内容取证引起了广泛的关注
。
在人脸图像鉴伪方面，即检测伪造人脸图像方面，主流研究方法是将人脸图像鉴伪任务建模成真伪二分类问题，并以深度神经网络为基础来构筑具体模型
。
此类方法通常需要获取海量的带标注人脸样本，以驱动人脸鉴伪模型进行特征学习和参数更新
。
这可能导致人脸鉴伪模型对训练数据的分布产生较强的依赖性，具体表现为：人脸鉴伪模型只能处理已学过的伪造人脸类型，却无法判断未见过的伪造人脸类型
。
在伪造人脸类型不断增多的场景下，这种性能降质问题愈专利技术显
。
[0003]常规的解决方案是保存每个阶段的训练样本，当新型伪造人脸到达时，将新数据与历史数据直接合并，然后基于全部样本进行模型重训或微调
。
随着样本量的累积，获取新模型的时间成本和计算资源激增
。
因此，该方案仅在短期内可行，而不具备长期的现实性
。
[0004]同时，考虑到访问人脸数据时可能造成的隐私泄露和数据安全问题，历史数据的重复使用往往受到限制，甚至不被允许，进而导致上述方案失去可行性
。

技术实现思路

[0005]本专利技术提供一种图像鉴伪模型训练方法
、
图像鉴伪方法
、
装置及电子设备，用以解决现有技术中存在的缺陷
。
[0006]本专利技术提供一种图像鉴伪模型训练方法，包括：
[0007]获取当前时段的真伪图像样本，并基于目标特征提取器，对当前时段的真伪图像样本进行特征提取，得到当前时段的真伪图像特征；
[0008]基于所述当前时段的前一历史时段的真伪图像特征分布参数，确定所述前一历史时段的真伪重建特征，并基于所述当前时段的真伪图像特征及所述当前时段的各历史时段的真伪重建特征，对所述当前时段的前一历史时段的图像分类器进行训练，得到目标图像分类器；
[0009]基于所述目标特征提取器和所述目标图像分类器，构建当前时段的图像鉴伪模型；
[0010]其中，所述目标特征提取器基于起始历史时段的真伪图像样本，对级联的初始特征提取器和初始图像分类器进行预训练得到，所述前一历史时段的真伪图像特征分布参数基于所述目标特征提取器对所述前一历史时段的真伪图像样本进行特征提取得到的所述前一历史时段的真伪图像特征确定并保存
。
[0011]根据本专利技术提供的一种图像鉴伪模型训练方法，所述基于所述当前时段的前一历史时段的真伪图像特征分布参数，确定所述前一历史时段的真伪重建特征，包括：
[0012]基于标准高斯分布，确定随机噪声；
[0013]基于真伪尺度因子以及所述随机噪声，对所述前一历史时段的真伪图像特征分布的均值进行扰动，得到所述前一历史时段的真伪重建特征
。
[0014]根据本专利技术提供的一种图像鉴伪模型训练方法，所述真伪尺度因子基于所述起始历史时段的真伪图像特征协方差以及图像特征维度计算得到
。
[0015]根据本专利技术提供的一种图像鉴伪模型训练方法，所述基于所述当前时段的前一历史时段的真伪图像特征分布参数，确定所述前一历史时段的真伪重建特征，还包括：
[0016]基于所述前一历史时段的真伪图像特征的均值和方差，确定所述前一历史时段的真伪图像特征的高斯分布；
[0017]从所述前一历史时段的真伪图像特征的高斯分布中采样得到所述前一历史时段的真伪重建特征
。
[0018]根据本专利技术提供的一种图像鉴伪模型训练方法，所述基于所述当前时段的真伪图像特征及所述当前时段的各历史时段的真伪重建特征，对所述当前时段的前一历史时段的图像分类器进行训练，得到目标图像分类器，包括：
[0019]将所述当前时段的真伪图像特征及所述当前时段的各历史时段的真伪重建特征分别输入至所述前一历史时段的图像分类器，得到所述前一历史时段的图像分类器输出的分类结果；
[0020]基于所述当前时段的各历史时段的真伪重建特征对应的类别标签和分类结果，以及所述当前时段的真伪图像特征对应的类别标签和分类结果，计算分类器损失，并基于所述分类器损失，对所述前一历史时段的图像分类器的结构参数进行迭代优化，得到所述目标图像分类器
。
[0021]根据本专利技术提供的一种图像鉴伪模型训练方法，所述基于所述当前时段的各历史时段的真伪重建特征对应的类别标签和分类结果，以及所述当前时段的真伪图像特征对应的类别标签和分类结果，计算分类器损失，包括：
[0022]基于所述当前时段的各历史时段的真伪重建特征对应的类别标签及分类结果，计算第一损失，并基于所述当前时段的真伪图像特征对应的类别标签及分类结果，计算第二损失；
[0023]对所述第一损失和所述第二损失进行加权求和，确定所述分类器损失
。
[0024]本专利技术还提供一种图像鉴伪方法，包括：
[0025]获取待鉴别图像；
[0026]将所述待鉴别图像输入至当前时段的图像鉴伪模型，得到所述图像鉴伪模型输出的所述待鉴别图像的真伪；
[0027]所述图像鉴伪模型基于上述的图像鉴伪模型训练方法训练得到
。
[0028]本专利技术还提供一种图像鉴伪模型训练装置，包括：
[0029]特征提取模块，用于获取当前时段的真伪图像样本，并基于目标特征提取器，对当前时段的真伪图像样本进行特征提取，得到当前时段的真伪图像特征；
[0030]分类训练模块，用于基于所述当前时段的前一历史时段的真伪图像特征分布参数，确定所述前一历史时段的真伪重建特征，并基于所述当前时段的真伪图像特征及所述当前时段的各历史时段的真伪重建特征，对所述当前时段的前一历史时段的图像分类器进
行训练，得到目标图像分类器；
[0031]模型构建模块，用于基于所述目标特征提取器和所述目标图像分类器，构建当前时段的图像鉴伪模型；
[0032]其中，所述目标特征提取器基于起始历史时段的真伪图像样本，对级联的初始特征提取器和初始图像分类器进行预训练得到，所述前一历史时段的真伪图像特征分布参数基于所述目标特征提取器对所述前一历史时段的真伪图像样本进行特征提取得到的所述前一历史时段的真伪图像特征确定并保存
。
[0033]本专利技术还提供一种图像鉴伪装置，包括：
[0034]图像获取模块，用于获取待鉴别图像；
[0035]图像鉴伪模块，用于将所述待鉴别图像输入至图像鉴伪模型，得到所述图像鉴伪模型输出的所述待鉴别图像的真伪；
[0036]所述图像鉴伪模型基于上述的图像鉴伪模型训练方法训练得到
。
[0037]本专利技术还提供一种电子设本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种图像鉴伪模型训练方法，其特征在于，包括：获取当前时段的真伪图像样本，并基于目标特征提取器，对当前时段的真伪图像样本进行特征提取，得到当前时段的真伪图像特征；基于所述当前时段的前一历史时段的真伪图像特征分布参数，确定所述前一历史时段的真伪重建特征，并基于所述当前时段的真伪图像特征及所述当前时段的各历史时段的真伪重建特征，对所述当前时段的前一历史时段的图像分类器进行训练，得到目标图像分类器；基于所述目标特征提取器和所述目标图像分类器，构建当前时段的图像鉴伪模型；其中，所述目标特征提取器基于起始历史时段的真伪图像样本，对级联的初始特征提取器和初始图像分类器进行预训练得到，所述前一历史时段的真伪图像特征分布参数基于所述目标特征提取器对所述前一历史时段的真伪图像样本进行特征提取得到的所述前一历史时段的真伪图像特征确定并保存
。2.
根据权利要求1所述的图像鉴伪模型训练方法，其特征在于，所述基于所述当前时段的前一历史时段的真伪图像特征分布参数，确定所述前一历史时段的真伪重建特征，包括：基于标准高斯分布，确定随机噪声；基于真伪尺度因子以及所述随机噪声，对所述前一历史时段的真伪图像特征分布的均值进行扰动，得到所述前一历史时段的真伪重建特征
。3.
根据权利要求2所述的图像鉴伪模型训练方法，其特征在于，所述真伪尺度因子基于所述起始历史时段的真伪图像特征协方差以及图像特征维度计算得到
。4.
根据权利要求1所述的图像鉴伪模型训练方法，其特征在于，所述基于所述当前时段的前一历史时段的真伪图像特征分布参数，确定所述前一历史时段的真伪重建特征，还包括：基于所述前一历史时段的真伪图像特征的均值和方差，确定所述前一历史时段的真伪图像特征的高斯分布；从所述前一历史时段的真伪图像特征的高斯分布中采样得到所述前一历史时段的真伪重建特征
。5.
根据权利要求1‑4中任一项所述的图像鉴伪模型训练方法，其特征在于，所述基于所述当前时段的真伪图像特征及所述当前时段的各历史时段的真伪重建特征，对所述当前时段的前一历史时段的图像分类器进行训练，得到目标图像分类器，包括：将所述当前时段的真伪图像特征及所述当前时段的各历史时段的真伪重建特征分别输入至所述前一历史时段的图像分类器，得到所述前一历史时段的图像分类器输出的分类结果；基于所述当前时段的各历史时段的真伪重建特征对应的类别标签和分类结果，以及所述当前时段的真伪图像特征对应的类别标签和分类结果，计算分类器损失，并基于所述分类器损失，对所述前一...

【专利技术属性】
技术研发人员：王伟，董晶，彭勃，项伟，卓文琦，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：