【技术实现步骤摘要】
本专利技术涉及aigc伪造检测，尤其涉及一种基于深度融合网络的分布式aigc伪造检测方法。
技术介绍
1、近年来，随着人工智能合成技术在如文本语音转换、对象生成、对象替换等应用领域的快速发展，同时也不可避免带来很多安全问题。以人脸合成应用场景为例进行说明，通过人工智能合成技术，可以很方便生成高逼真度的人脸图像和视频，若恶意使用该技术生成伪造人脸音视频，进行虚假宣传、人脸身份认证等，将会造成重大资源损失。
2、由于人脸识别任务其对实时性的高要求和计算资源的密集使用，可以通过在云计算环境下展现出极大的应用潜力。然而，当这项任务部署在云计算平台时，可能会遇到一系列挑战，如网络带宽的限制和无线连接的不稳定性等，对传统典型的深度伪造检测任务而言，造成分类精度低，进而不能有效的评价模型性能的好坏。而伪造检测的准确率通常与模型的复杂度呈正相关。然而，传统的伪造检测方法在设计时并没有将模型的大小、计算消耗和推理效率考虑进来，导致它们远远无法满足真实世界中日益增长的、快速检测人脸伪造精度内容的迫切需求。
技术实现思路
1、本专利技术提供一种基于深度融合网络的分布式aigc伪造检测方法，以克服上述技术问题。
2、为了实现上述目的，本专利技术的技术方案是：
3、一种基于深度融合网络的分布式aigc伪造检测方法，包括以下步骤：
4、s1：将采集的人脸图像数据存储至终端设备进行预处理，获取人脸图像数据集，并对所述人脸图像数据集随机划分获取人脸图像数据训练集与人
5、s2：基于云服务器构建aigc伪造检测模型，且aigc伪造检测模型包括用于检测获取人脸特征图的轻量化人脸目标检测网络与用于根据人脸特征图实现伪造识别的aigc面部鉴伪模型；
6、并将构建完成的轻量化人脸目标检测网络传输至边缘设备设置；
7、s3：根据所述人脸图像数据训练集，对aigc伪造检测模型进行模型训练，以获取aigc伪造检测优化模型；
8、所述模型训练包括：通过所述边缘设备基于轻量化人脸目标检测网络，对人脸图像数据训练集进行特征提取训练获取人脸目标特征图；
9、并将所述人脸目标特征图传输至云服务器；
10、通过所述云服务器基于aigc面部鉴伪模型，根据所述人脸目标特征图实现人脸图像的真伪识别训练；
11、s4：根据所述aigc伪造检测优化模型实现对人脸图像数据测试集的真伪鉴定。
12、进一步的，s2中构建的所述轻量化人脸目标检测网络包括输入层、ssh检测模块与特征金字塔网络模块；
13、所述输入层用于将带有真实人脸目标框的样本图像传输至ssh检测模块；
14、所述ssh检测模块与各卷积神经网络层连接，用于获取人脸增强样本图，且所述特征金字塔网络模块包括预设若干堆叠的卷积神经网络层，
15、且各卷积神经网络层用于对所述人脸增强样本图进行多尺度的人脸特征提取；所述人脸特征包括形状特征与纹理特征；
16、并根据提取的多尺度的人脸特征，基于回归框获取不同尺度的人脸检测框与基于预设的不同尺寸的人脸特征锚点获取不同尺寸的人脸目标，以获取人脸目标特征图。
17、进一步的，s2中构建的所述aigc面部鉴伪模型包括cnn分支网络、transformer分支网络以及若干conv-attributionmap卷积注意力图模块；
18、所述cnn分支网络用于对轻量化人脸目标检测网络的输出进行局部特征提取，且cnn分支网络包括顺次连接的conv-input输入层、三个相同的网络卷积支路、concat拼接层、第一卷积层以及第二卷积层；
19、所述conv-input输入层用于将轻量化人脸目标检测网络的输出分别输入至各网络卷积支路进行卷积操作，并通过concat拼接层对各网络卷积支路的输出进行拼接，以获取局部初始特征图；
20、所述第一卷积层用于对所述局部初始特征图进行卷积操作，获取局部中间特征图，并将所述局部中间特征图传输至第二卷积层；
21、所述第二卷积层用于对局部中间特征图进行卷积操作，获取局部最终特征图；
22、所述transformer分支网络用于根据轻量化人脸目标检测网络的输出与cnn分支网络提取的局部特征进行特征融合，获取人脸特征融合图；
23、所述transformer分支网络包括依次连接的patch partitoin分割层、linearembedding层、第一swin transformer block模块、第二swin transformer block模块、第三swin transformer block模块以及第四swin transformer block模块，且所述相邻的两个swin transformer block模块之间连接有patch merging融合层，所述patch merging融合层包括第一patch merging融合层、第二patch merging融合层以及第三patch merging融合层；
24、所述patch partitoin分割层用于将轻量化人脸目标检测网络的输出进行下采样操作，并对其分割获取非重叠的patch块，以获取patch特征图；
25、所述linear embedding层用于将所述patch特征图转化为设定维度的第一尺度特征图，并将所述第一尺度特征图传输至第一swin transformer block模块；
26、所述第一swin transformer block模块用于对第一尺度特征图进行特征提取，获取第一尺度特征向量；
27、第一patch merging融合层与concat拼接层之间依次连接有第一conv-attributionmap卷积注意力图模块与第一patch embedding层；
28、且所述第一conv-attribution map卷积注意力图模块用于评估所述局部初始特征图中人脸面部区域的灵敏度，获取优化局部初始特征图；
29、所述第一patch embedding层与第一conv-attribution map卷积注意力图模块连接，用于将所述优化局部初始特征图转化为第一局部特征向量，并传输至第一patchmerging融合层；
30、所述第一patch merging融合层用于将第一局部特征向量与第一尺度特征向量进行特征融合，获取第二尺度特征图；并将所述第二尺度特征图传输至第二swintransformer block模块；
31、所述第二swin transformer block模块用于对第二尺度特征图进行特征提取，获取第二尺度特征向量；
32、第二patch merging融合层与第一卷积层之间依次连接有第二conv-attributionmap卷积注意力图模块与第二patch embedding层；...
【技术保护点】
1.一种基于深度融合网络的分布式AIGC伪造检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度融合网络的分布式AIGC伪造检测方法，其特征在于，S2中构建的所述轻量化人脸目标检测网络包括输入层、SSH检测模块与特征金字塔网络模块；
3.根据权利要求2所述的一种基于深度融合网络的分布式AIGC伪造检测方法，其特征在于，S2中构建的所述AIGC面部鉴伪模型包括CNN分支网络、Transformer分支网络以及若干Conv-Attribution Map卷积注意力图模块；
4.根据权利要求3所述的一种基于深度融合网络的分布式AIGC伪造检测方法，其特征在于，所述S3具体包括以下步骤：
5.根据权利要求4所述的一种基于深度融合网络的分布式AIGC伪造检测方法，其特征在于，S3中构建的所述轻量化人脸目标检测网络的损失函数Loss包括加性角边距损失函数Larc、α-IoU损失函数以及特征点回归模型的重建损失函数Lrec的加权总和，具体为
6.根据权利要求1所述的一种基于深度融合网络的分布式AIGC伪造检测方法
7.根据权利要求1所述的一种基于深度融合网络的分布式AIGC伪造检测方法，其特征在于，S1中所述预处理具体为
...【技术特征摘要】
1.一种基于深度融合网络的分布式aigc伪造检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度融合网络的分布式aigc伪造检测方法，其特征在于，s2中构建的所述轻量化人脸目标检测网络包括输入层、ssh检测模块与特征金字塔网络模块；
3.根据权利要求2所述的一种基于深度融合网络的分布式aigc伪造检测方法，其特征在于，s2中构建的所述aigc面部鉴伪模型包括cnn分支网络、transformer分支网络以及若干conv-attribution map卷积注意力图模块；
4.根据权利要求3所述的一种基于深度融合网络...
【专利技术属性】
技术研发人员：杨婷婷，俸萍，刘纪伟，郭其鑫，何泽晨，
申请(专利权)人：大连海事大学，
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。