【技术实现步骤摘要】
本申请实施例涉及深度学习领域，尤其涉及一种基于深度学习的图像识别方法和系统。
技术介绍
1、随着ai技术的不断发展，现如今越来越多的人使用ai技术处理生活与工作上的事务，ai技术的便利性和可靠性越来越得到体现。
2、现如今，人们可以使用ai技术进行问答，可以使用ai进行视频画面，甚至可以用ai技术对一张现有的真实图像进行重新绘制，生成不同风格的图像。甚至不需要真实图像，仅仅凭借用户的需求，ai模型都可以通过用户需求寻找真实素材进行图像绘制，通过ai生成的图像往往令普通人都无法识别出真伪。并且这类技术已经逐渐成熟，并且逐渐被更多的人所掌握。
3、但是，随着越来越多的人掌握ai绘制技术，不法分子也开始利用ai生成模型生成图像来进行电子诈骗或者加以文字来欺骗公众。尤其是通过ai生成模型绘制带有特定人脸的照片，使得人们误信图像为真实，基于错误的认识而将自身的财产转移给他人。这就使得针对经过ai生成模型处理后的图像的有效检测成为了当前需要迫切解决的问题。目前，针对如何识别ai生成模型所生成的模拟图像，最有效的方法就是通过另一个深度学习模型去进行检测，即将ai生成模型与一个真假鉴别模型进行组合使用，生成一个对抗网络，将ai生成模型生成模拟图像，而真假鉴别模型对真实图像和模拟图像进行训练，不断调整ai生成模型和真假判别模型的权值等参数，或者是使用一个现有的ai生成模型对真假判别模型进行训练，使得最终获取到一个准确率达到预设条件的真假判别模型。
4、但是，这类真假判别模型同样需要采集模拟图像的各种特征进行分析
技术实现思路
1、本申请公开了一种基于深度学习的图像识别方法和系统，用于提高深度学习真假判别模型对ai模拟图像的识别的准确性。
2、本申请第一方面公开了一种基于深度学习的图像识别方法：
3、获取对抗神经网络模型和真实图像集，对抗神经网络模型中包括ai生成器组、对称特征检测器、标签融合生成器、真假判别器，ai生成器组中包括至少两种ai生成模型，真实图像集中包括至少两张包含人脸区域和背景区域的真实拍摄图像；
4、从真实图像集选取一张真实图像输入ai生成器组其中一种ai生成模型中，生成ai模拟图像；
5、将ai模拟图像输入对称特征检测器检测对称特征，生成模拟对称标签集合；
6、将模拟对称标签集合和ai模拟图像输入标签融合生成器中，生成模拟增强图像；
7、将真实图像和模拟增强图像输入真假判别器中，生成真实图像的第一真假判别值和模拟增强图像的第二真假判别值；
8、根据第一真假判别值、第二真假判别值以及损失函数计算损失；
9、当损失不符合预设条件，则通过损失更新标签融合生成器和真假判别器的权值；
10、当损失符合预设条件，则更换下一个ai生成模型生成模拟图像，对标签融合生成器和真假判别器训练，直到ai生成器组的ai生成模型全部训练完成。
11、可选的，模拟对称标签包括人脸对称特征标签和非人脸对称特征标签；
12、将ai模拟图像输入对称特征检测器检测对称特征，生成模拟对称标签集合，包括：
13、将ai模拟图像输入对称特征检测器，生成对称特征分布概率，对称特征分布概率包括人脸对称特征分布概率和非人脸对称特征分布概率；
14、对人脸对称特征分布概率和非人脸对称特征分布概率中大于预设分布概率阈值的对称特征进行种类细分；
15、将细分后的人脸对称特征和非人脸对称特征生成对应的人脸对称特征标签和非人脸对称特征标签，人脸对称特征标签和非人脸对称特征标签为模拟对称标签集合。
16、可选的，模拟增强图像包括模拟人脸增强图像和模拟非人脸增强图像；
17、将模拟对称标签集合和ai模拟图像输入标签融合生成器中，生成模拟增强图像，包括：
18、对第一个人脸对称特征标签进行1*1卷积处理，生成标签卷积特征，将人脸对称特征标签和标签卷积特征进行通道叠加处理；
19、对ai模拟图像进行1*1卷积操作，生成模拟卷积特征；
20、对标签卷积特征进行区域像素注意力生成处理和通道相乘处理，生成第一处理特征；
21、将第一处理特征进行1*1卷积处理，生成卷积数据；
22、将卷积数据和第一处理特征进行通道叠加，生成第二处理特征；
23、对第二处理特征的特征通道进行向量计算，生成通道向量集合，并根据通道向量集合输出一维通道向量；
24、根据一维通道向量将第二处理特征按通道对应相乘，生成第三处理特征；
25、对第三处理特征行残差提取和残差融合处理，生成融合残差；
26、将融合残差、模拟卷积特征和标签卷积特征进行通道叠加，生成第四处理特征；
27、对第四处理特征进行边缘重构，生成第五处理特征；
28、为第五处理特征对应的每个神经元分配注意力，并将注意力小于第一预设阈值的神经元进行筛除处理，生成第六处理特征；
29、对第六处理特征进行边缘重构，生成增强参数；
30、将增强参数进行还原输出，将还原输出的图像与下一个人脸对称特征标签进行融合，直到生成模拟人脸增强图像；
31、根据上述方式使用非人脸对称特征标签与ai模拟图像进行融合，生成模拟非人脸增强图像，模拟人脸增强图像和模拟非人脸增强图像为模拟增强图像。
32、可选的，在获取对抗神经网络模型和真实图像集，对抗神经网络模型中包括ai生成器组、对称特征检测器、标签融合生成器、人脸真假判别器和背景真假判别器之后，将真实图像输入ai生成器组中其中一种ai生成模型中，生成ai模拟图像之前，图像识别方法还包括：
33、设定标签融合生成器的初始参数；
34、从真实图像集选取一张真实图像输入对称特征检测器检测对称特征，生成检测对称标签；
35、将检测对称标签和真实图像输入标签融合生成器中，生成检测图像；
36、将检测图像输入真假判别器中，生成检测判别值；
37、当检测判别值大于预设阈值时，通过检测判别值和预设阈值的差值调整标签融合生成器的初始参数，并重新进行标签融合以及真假判别；
38、当检测判别值不大于预设阈值时，确定标签融合生成器完成调整。
39、可选的，根据第一真假判别值、第二真假判别值以及损失函数计算损失，包括：
40、构建融合生成器的多标签分类损失函数；
41、构建真假判别器的分类损失函数；
42、通过第一真假判别值、第二真假判别值和多标签分类损失函数计算第一损失值；
43、通过第一真假判别值、第本文档来自技高网...
【技术保护点】
1.一种基于深度学习的图像识别方法，其特征在于，包括：
2.根据权利要求1所述基于深度学习的图像识别方法，其特征在于，所述模拟对称标签包括人脸对称特征标签和非人脸对称特征标签；
3.根据权利要求2所述基于深度学习的图像识别方法，其特征在于，所述模拟增强图像包括模拟人脸增强图像和模拟非人脸增强图像；
4.根据权利要求3所述基于深度学习的图像识别方法，其特征在于，在获取对抗神经网络模型和真实图像集，所述对抗神经网络模型中包括AI生成器组、对称特征检测器、标签融合生成器、人脸真假判别器和背景真假判别器之后，将所述真实图像输入所述AI生成器组中其中一种AI生成模型中，生成AI模拟图像之前，所述图像识别方法还包括：
5.根据权利要求1至4中任一项所述基于深度学习的图像识别方法，其特征在于，根据所述第一真假判别值、所述第二真假判别值以及损失函数计算损失，包括：
6.根据权利要求1所述基于深度学习的图像识别方法，其特征在于，在所述更换下一个AI生成模型生成模拟图像，对所述标签融合生成器和所述真假判别器训练，直到AI生成器组的AI生成模
7.一种基于深度学习的图像识别系统，其特征在于，包括：
8.根据权利要求7所述基于深度学习的图像识别系统，其特征在于，所述模拟对称标签包括人脸对称特征标签和非人脸对称特征标签；
9.根据权利要求8所述基于深度学习的图像识别系统，其特征在于，所述模拟增强图像包括模拟人脸增强图像和模拟非人脸增强图像；
10.根据权利要求9所述基于深度学习的图像识别系统，其特征在于，在获取对抗神经网络模型和真实图像集，所述对抗神经网络模型中包括AI生成器组、对称特征检测器、标签融合生成器、人脸真假判别器和背景真假判别器之后，将所述真实图像输入所述AI生成器组中其中一种AI生成模型中，生成AI模拟图像之前，所述基于深度学习的图像识别系统还包括：
...【技术特征摘要】
1.一种基于深度学习的图像识别方法，其特征在于，包括：
2.根据权利要求1所述基于深度学习的图像识别方法，其特征在于，所述模拟对称标签包括人脸对称特征标签和非人脸对称特征标签；
3.根据权利要求2所述基于深度学习的图像识别方法，其特征在于，所述模拟增强图像包括模拟人脸增强图像和模拟非人脸增强图像；
4.根据权利要求3所述基于深度学习的图像识别方法，其特征在于，在获取对抗神经网络模型和真实图像集，所述对抗神经网络模型中包括ai生成器组、对称特征检测器、标签融合生成器、人脸真假判别器和背景真假判别器之后，将所述真实图像输入所述ai生成器组中其中一种ai生成模型中，生成ai模拟图像之前，所述图像识别方法还包括：
5.根据权利要求1至4中任一项所述基于深度学习的图像识别方法，其特征在于，根据所述第一真假判别值、所述第二真假判别值以及损失函数计算损失，包括：
6.根据权利要求1所述基于深度学习的图像识别方...
【专利技术属性】
技术研发人员：余楷，梁正华，余正涛，黄于欣，秦舒浩，肖书芹，申林，武晓，赵林畅，夏道勋，冯夫健，苑建坤，谢真强，代杨，董厚泽，吴越，石睿，张燕，涂永高，韦克苏，李德仑，赵宇航，武圣江，王庄仆，郭宗余，郭宗智，
申请(专利权)人：中电科大数据研究院有限公司，
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。