CN110648289B - 图像的加噪处理方法及装置 - Google Patents
图像的加噪处理方法及装置 Download PDFInfo
- Publication number
- CN110648289B CN110648289B CN201910807980.9A CN201910807980A CN110648289B CN 110648289 B CN110648289 B CN 110648289B CN 201910807980 A CN201910807980 A CN 201910807980A CN 110648289 B CN110648289 B CN 110648289B
- Authority
- CN
- China
- Prior art keywords
- image
- model
- training
- target
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003672 processing method Methods 0.000 title description 6
- 238000012549 training Methods 0.000 claims abstract description 222
- 238000013136 deep learning model Methods 0.000 claims abstract description 118
- 238000000034 method Methods 0.000 claims abstract description 69
- 238000012545 processing Methods 0.000 claims abstract description 45
- 239000013598 vector Substances 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 25
- 238000011478 gradient descent method Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 description 19
- 230000008569 process Effects 0.000 description 19
- 238000005516 engineering process Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000000306 recurrent effect Effects 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 241001465754 Metazoa Species 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G06T5/94—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本申请公开了一种图像的加噪处理方法及装置,所述方法包括:获取随机噪声信息和目标对象图像;将随机噪声信息作为目标噪声图像生成模型的输入,生成具有对象分类性能且去除对象的目标隐私属性的目标噪声图像;基于目标噪声图像对目标对象图像进行加噪处理,得到加噪图像;目标噪声图像生成模型为基于样本噪声信息对生成模型的图像生成训练时,结合样本对象图像对第一深度学习模型进行对象图像识别、对目标隐私属性识别模型进行目标隐私属性去除、对对象识别模型进行对象识别以及对判定模型进行图像真实性判定的约束训练得到的模型。利用本申请提供的技术方案可以保证加噪后的图像与原图像间相似的基础上,去除目标隐私属性的特征。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种图像的加噪处理方法及装置。
背景技术
目前,各大互联网站中,很多图像往往是直接面向大众公开的,而图像中往往还包括了一些隐私属性的信息,例如以人脸为用户头像的场景下,用户头像(图像)往往是用户的人脸图像,图像中包含了用户的性别,大致年龄等隐私属性的信息;另外,在以企业办公、学校等场所的照像为宣传照的场景中,场所的照片中往往包括一些企业内部的隐私属性的信息。而现有技术中没有考虑到这些隐私属性信息的保护问题,一旦通过图像流失,这些隐私属性的信息就会泄露,将会对用户、企业等造成影响。因此,需要提供可靠有效的方案,解决现有的图像中直接暴露隐私属性的问题。
发明内容
本申请提供了一种图像的加噪处理方法及装置,可以保证加噪后的图像与原始图像间具有一定相似度的基础上,去除需要保密的目标隐私属性的特征,可以实现基于加噪后的图像准确区分不同对象的同时,避免了目标隐私属性的泄露的安全问题。
一方面,本申请提供了一种图像的加噪处理方法,所述方法包括:
获取随机噪声信息和目标对象图像;
将所述随机噪声信息作为目标噪声图像生成模型的输入,生成目标噪声图像,所述目标噪声图像为具有对象分类性能且去除对象的目标隐私属性的图像;
基于所述目标噪声图像对所述目标对象图像进行加噪处理,得到所述目标对象图像的加噪图像;
其中,所述目标噪声图像生成模型为基于样本噪声信息对生成模型的图像生成训练时,结合样本对象图像对第一深度学习模型进行对象图像识别、对目标隐私属性识别模型进行目标隐私属性去除、对对象识别模型进行对象识别以及对判定模型进行图像真实性判定的约束训练得到的模型。
另一方面提供了一种图像的加噪处理装置,所述装置包括:
数据获取模块,用于获取随机噪声信息和目标对象图像;
目标噪声图像生成模块,用于将所述随机噪声信息作为目标噪声图像生成模型的输入,生成目标噪声图像,所述目标噪声图像为具有对象分类性能且去除对象的目标隐私属性的图像;
加噪处理模块,用于基于所述目标噪声图像对所述目标对象图像进行加噪处理,得到所述目标对象图像的加噪图像;
其中,所述目标噪声图像生成模型为基于样本噪声信息对生成模型的图像生成训练时,结合样本对象图像对第一深度学习模型进行对象图像识别、对目标隐私属性识别模型进行目标隐私属性去除、对对象识别模型进行对象识别以及对判定模型进行图像真实性判定的约束训练得到的模型。
另一方面提供了一种图像的加噪处理设备,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述的图像的加噪处理方法。
另一方面提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上述的图像的加噪处理方法。
本申请提供的图像的加噪处理方法及装置,具有如下技术效果:
本申请能够基于目标噪声图像生成模型将随机噪声信息转换成具有去除了需要保密的目标隐私属性的特征,同时保持对象分类的性能的目标噪声图像,然后,基于目标噪声图像对目标对象图像进行加噪,可以保证得到的加噪图像与原始的目标对象图像间具有一定相似度的基础上,去除了需要保密的目标隐私属性的特征,进而实现基于加噪后的图像准确区分不同对象的同时,去除了目标对象的真实的目标隐私属性,避免了目标隐私属性的泄露的安全问题。
附图说明
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和优点,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的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1是本申请实施例提供的一种应用环境的示意图;
图2是本申请实施例提供的一种目标噪声图像生成模型的训练方法的流程示意图;
图3是本申请实施例提供的一种目标隐私属性识别模型的训练方法的流程示意图;
图4是本申请实施例提供的另一种目标隐私属性识别模型的训练方法的流程示意图;
图5是本申请实施例提供的一种对象识别模型的训练方法的流程示意图;
图6是本申请实施例提供的一种图像的加噪处理方法的流程示意图;
图7是本申请实施例提供的一种图像的加噪处理装置的结构示意图;
图8是本申请实施例提供的一种图像的加噪处理方法的服务器的硬件结构框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
近年来,随着人工智能技术研究和进步,人工智能技术在多个领域得到广泛应用,本申请实施例提供的方案涉及人工智能的机器学习/深度学习等技术,具体通过如下实施例进行说明:
请参阅图1,图1是本申请实施例提供的一种应用环境的示意图,如图1所示,该应用环境可以至少包括服务器01和终端02。
本说明书实施例中,服务器01可以包括一个独立运行的服务器,或者分布式服务器,或者由多个服务器组成的服务器集群。服务器01可以包括有网络通信单元、处理器和存储器等等。具体的,所述服务器01可以用于进行目标噪声图像生成模型的训练学习,本说明书实施例中,目标噪声图像生成模型可以用于生成具有对象分类性能且去除对象的目标隐私属性的图像。
本说明书实施例中,终端02可以包括智能手机、台式电脑、平板电脑、笔记本电脑、数字助理、增强现实(augmented reality,AR)/虚拟现实(virtual reality,VR)设备、智能可穿戴设备等类型的实体设备,也可以包括运行于实体设备中的软体,例如应用程序等。本申请实施例中终端02上运行的操作系统可以包括但不限于安卓系统、IOS系统、linux、windows等。本说明书实施例中,终端02可以用于基于服务器01训练好的目标噪声图像生成模型,提供图像的加噪处理的服务,使得目标对象图像进行加噪后的图像保留原来图像的特征的同时,可以去除目标对象的目标隐私属性的特征。本说明书实施例中,目标对象可以包括但不限于人、动物、物品、某地址对应的场所等,相应的,目标对象图像可以为目标对象的图像,例如人脸图像。具体的,目标隐私属性可以为结合实际应用中设定的目标对象图像中需要保密的属性,例如,人脸图像中的年龄、性别等、场所中张贴的内部资料等。
此外,需要说明的是,图1所示的仅仅是一种图像的加噪处理的应用环境,在实际应用中,目标噪声图像生成模型的训练学习,也可以在提供图像的加噪处理服务的设备上处理。
以下介绍本申请目标噪声图像生成模型的训练过程的实施例,具体的,可以包括:
本说明书实施例中,目标噪声图像生成模型可以为基于样本噪声信息对生成模型的图像生成训练时,结合样本对象图像对第一深度学习模型进行对象图像识别、对目标隐私属性识别模型进行目标隐私属性去除、对对象识别模型进行对象识别以及对判定模型进行图像真实性判定的约束训练得到的模型。
以下结合图2介绍目标噪声图像生成模型的训练过程的实施例
S201:获取样本噪声信息和样本对象图像。
本说明书实施例中,样本噪声信息可以为从高斯分布中随机采样得到的向量。具体的,样本对象图像可以为大量对象的图像。
在一个具体的实施例中,假设对象为人时,样本对象图像可以为大量人脸图像,相应的,可以从互联网站中收集大量用户的人脸图像,然后,按照后续训练时模型对输入图像的尺寸(例如64×64),将收集的人脸图像缩放成该尺寸的图像,以作为样本对象图像;另外,人脸图像的面部形状可能存在一定的偏斜,为了便于后续的模型训练及优化,本说明书实施例中可以对人脸图像进行校正,具体的,可以先利用人脸关键点检测方法检测出人脸关键点;然后,根据法检测出的人脸关键点确定双目的坐标;接着,以双目纵坐标一致的规范,用仿射变换的方式对人脸图像进行校正,最后,将图像缩放到训练时模型对输入图像的尺寸的大小,从而得到样本对象图像。
在另一个具体的实施例中,样本对象图像也可以为某场所的图像,例如某企业等办公场所的图像,相应的,可以收集大量包括目标隐私属性(例如张贴的内部资料)的办公场所的图像,并将图像缩放到训练时模型对输入图像的尺寸的大小,从而得到样本对象图像。
S203:将所述样本噪声信息作为生成模型的输入,对所述生成模型进行图像生成的训练学习,得到第一生成图像。
本说明书实施例中,生成模型可以为生成式对抗网络(GAN,GenerativeAdversarial Networks)中的生成模型,具体的,所述生成模型可以包括全连接层、第一反卷积层、第二反卷积层、第三反卷积层、第四反卷积层、第五反卷积层。
在一个具体的实施例中,假设样本噪声信息为指定维度(例如100维)的从高斯分布中随机采样得到的向量,相应的,可以将该指定维度的从高斯分布中随机采样得到的向量输入到生成模型,然后,将该向量输入到16384个神经元的全连接层中,得到1×16348维的向量Z,再将向量Z输入到1024个神经元的第一反卷积层,其中,步长为2,调整为四维的向量Z0(1×4×4×1024);接着,再将向量Z0输入到512个神经元的第二反卷积层,其中,步长为2,则可得到1×8×8×512的向量Z1,再将向量Z1输入到256个神经元的第三反卷积层中,其步长为2,得到1×16×16×256的向量Z2,再将Z2输入到步长为2,神经元个数为128的第四反卷积层中,得到1×32×32×128的向量Z3,最后将Z3输入到步长为2,神经元个数为3的第五反卷积层中,得到64×64×3的向量Z4,Z4即为生成模型生成的图像(第一生成图像),此外,生成模型中每个卷积层的神经元大小为3x3。
S205:基于所述样本对象图像和所述第一生成图像生成第二生成图像。
本说明书实施例中,为了控制生成模型生成的图与输入图像尽可能一致,这里将生成模型生成的第一生成图像与样本对象图像进行平均,即将样本对象图像对应的特征向量和第一生成图像对应的特征向量仅平均处理,然后,将平均处理后的特征向量再输入到反卷积层中生成最终的图像。
具体的,上述反卷积层的结构可以结合实际中,后续模型对输入的图像的尺寸需求进行设定。
此外,需要说明的是,本说明书实施例中的样本对象图像包括多张样本对象图像可以基于每一样本对象图像和第一生成图像生成相应的第二生成图像。
S207:将所述第二生成图像和所述样本对象图像作为第一深度学习模型的输入,所述样本对象图像和所述第一生成图像作为目标隐私属性识别模型的输入,所述样本对象图像和所述第一生成图像作为对象识别模型的输入,分别对所述第一深度学习模型、所述目标隐私属性识别模型和所述对象识别模型进行对象图像识别、目标隐私属性去除、对象识别的训练学习,得到所述第一深度学习模型对应的第一误差、所述目标隐私属性识别模型对应的第二误差和所述对象识别模型对应的第三误差。
本说明书实施例中,第一深度学习模型可以包括但不限于卷积神经网络、循环神经网络或递归神经网络等深度学习模型。
在一个具体的实施例中,第一深度学习模型可以包括128个3x3的神经元的第一卷积层、256个3x3的神经元的第二卷积层、512个3x3的神经元的第三卷积层以及平均池化层。
具体的,可以将所述第二生成图像和所述样本对象图像作为第一深度学习模型的输入,对所述第一深度学习模型进行对象图像识别的训练学习,得到训练图像为样本对象图像的预测值,所述训练图像包括所述第二生成图像和所述样本对象图像;然后,基于第一损失函数计算所述训练图像为样本对象图像的预测值和所述训练图像的样本标签间的第一误差,所述训练图像对应的样本标签表征训练图像为样本对象图像的概率。
本说明书实施例中,第二生成图像的样本标签所表征的第二生成图像为样本对象图像的概率为0;样本对象图像的样本标签所表征的样本对象图像为样本对象图像的概率为1。在一个具体的实施例中,假设训练图像为样本对象图像的预测值为p,训练图像对应的样本标签为y,第一损失函数为(y-p)^2,相应的,训练过程中根据(y-p)^2可以得到第一误差error。
此外,需要说明的是,本说明书实施例中第一损失函数并不仅限与上述的(y-p)^2,在实际应用中,还可以包括其他损失函数,本说明书实施例并不以上述为限。
本说明书实施例中,通过在进行生成模型的训练学习过程中,结合包含样本对象图像的第二生成图像对第一深度学习模型进行对象图像识别的训练学习,可以提高生成模型生成的图与样本对象图像的相似性。
本说明书实施例中,目标隐私属性识别模型可以包括基于样本对象图像和样本对象图像对应对象的目标隐私属性对预设深度学习模型进行目标隐私属性识别的训练学习得到的模型。具体的,这里的预设深度学习模型可以包括但不限于卷积神经网络、循环神经网络或递归神经网络等深度学习模型。
在一个具体的实施例中,这里的预设深度学习模型可以包括128个3x3的神经元的第一卷积层、256个3x3的神经元的第二卷积层、512个3x3的神经元的第三卷积层以及平均池化层。
在一个具体的实施例中,如图3所示,当所述目标隐私属性为对象的年龄时,目标隐私属性识别模型的训练过程可以包括:
S301:确定所述样本对象图像对应对象的年龄标签。
具体的,这里的年龄标签可以为对象的真实年龄。
S303:将所述样本对象图像作为第二深度学习模型的输入,对所述第二深度学习模型进行年龄识别的训练学习,得到所述样本对象图像对应对象的预测年龄。
具体的,这里的第二深度学习模型可以与上述的预设深度学习模型的结构一致,也可以不一致。
S305:基于第五损失函数计算所述样本对象图像对应对象的预测年龄和年龄标签间的第五误差。
本说明书实施例中,第五损失函数可以包括但不限限于平方差函数。
S307:判断所述第五误差是否满足第三预设条件。
本说明书实施例中第三预设条件可以为样本对象图像中第一百分比的图像对应对象的预测年龄和年龄间的第五误差小于等于指定阈值,或样本对象图像对应对象的预测年龄和年龄间当前的第五误差与上一次训练学习后的第五误差间的差值小于一定阈值。
具体的,第一百分比可以为结合实际应用进行设置的小于等于100%的数值。
本说明书实施例中,指定阈值可以结合实际应用中,对目标隐私属性识别模型的目标隐私属性识别准确率的需求进行设定,一般的,指定阈值越大,训练出的目标隐私属性识别模型的识别准确率越高,但训练时间较长;反之,指定阈值越小,训练出的目标隐私属性识别模型的识别准确率越低,但训练时间较短。
S309:当判断的结果为否时,基于梯度下降法调整所述第二深度学习模型中的模型参数,重复上述的步骤S303至S307的步骤。
S311:当判断的结果为是时,将当前的第二深度学习模型作为所述目标隐私属性识别模型。
在另一个具体的实施例中,如图4所示,当所述目标隐私属性为对象的性别时,目标隐私属性识别模型的训练过程可以包括:
S401:确定所述样本对象图像对应对象的性别标签。
本说明书实施例中,性别标签可以包括但不限于以人为对象时的男女、以动物为对象时的雌雄等。
S403:将所述样本对象图像作为第三深度学习模型的输入,对所述第三深度学习模型进行性别识别的训练学习,得到所述样本对象图像对应对象的预测性别。
S405:判断所述样本对象图像对应对象的预测性别和性别标签是否一致。
S407:当判断的结果为否时,基于梯度下降法调整所述第三深度学习模型中的模型参数,重复上述的S403至S405的步骤。
具体的,这里的第三深度学习模型可以与上述的预设深度学习模型的结构一致,也可以不一致。
S409:当判断的结果为是时,将当前的第三深度学习模型作为所述目标隐私属性识别模型。
此外,需要说明的是,本说明书实施例中目标隐私属性识别模型可以包括一个或多个具有不同目标隐私属性识别能力的模型。
具体的,可以将所述样本对象图像和所述第一生成图像作为目标隐私属性识别模型的输入,对所述目标隐私属性识别模型进行目标隐私属性去除的训练学习,得到所述样本对象图像对应的目标隐私属性预测值和所述第一生成图像对应的目标隐私属性预测值;基于第二损失函数计算所述样本对象图像对应的目标隐私属性预测值和所述第一生成图像对应的目标隐私属性预测值间的第二误差。
本说明书实施例中,第二损失函数可以包括但不限于平均绝对误差(MeanAbsolute Deviation,mad),相应的,可以基于平均绝对误差计算样本对象图像对应的目标隐私属性预测值和第一生成图像对应的目标隐私属性预测值间的第二误差(用1/mad作为第二误差),第二误差越小,则样本对象图像和第一生成图像对应的目标隐私属性间的差异越大,则生成模型生成的图像越能够抹去原始对象图像中的目标隐私属性。
在另一个具体的实施例中,当所述目标隐私属性为对象的隐私资料信息时,目标隐私属性识别模型的训练过程可以包括:
1)确定所述样本对象图像对应隐私资料信息;
具体的,这里的对象可以为场所、物品等,相应的,隐私资料信息可以为场所、物品图像中需要保密的信息,例如,场所张贴的内部资料信息、物品上的用户姓名等需要保密的信息。
2)将所述样本对象图像作为第五深度学习模型的输入,对所述第五深度学习模型进行隐私资料信息识别的训练学习,得到所述样本对象图像对应预测隐私资料信息;
3)判断所述样本对象图像对应预测隐私资料信息和隐私资料信息是否一致;
4)当判断的结果为否时,基于梯度下降法调整所述第五深度学习模型中的模型参数,重复上述的训练学习步骤;
5)当判断的结果为是时,将当前的第五深度学习模型作为所述目标隐私属性识别模型。
具体的,这里对第五深度学习模型的训练可以参见上述对第三深度学习模型的训练过程的相关描述,在此不再赘述。
本说明书实施例中,通过在进行生成模型的训练学习过程中,结合样本对象图像和生成模型输出的第一生成图像对具有识别目标隐私属性的目标隐私属性模型进行目标隐私属性去除的训练学习,可以保证去除生成模型生成的图像中目标隐私属性,实现对目标隐私属性的保密。
本说明书实施例中,对象识别模型可以包括基于样本对象图像和样本对象图像对应的对象标签对第四深度学习模型进行对象识别的训练学习得到的模型。
具体的,第四深度学习模型可以包括但不限于卷积神经网络、循环神经网络或递归神经网络等深度学习模型。
在一个具体的实施例中,第四深度学习模型可以包括128个3x3的神经元的第一卷积层、256个3x3的神经元的第二卷积层、512个3x3的神经元的第三卷积层以及相似度计算层。
在一个具体的实施例中,如图5所示,对象识别模型的训练过程可以包括:
S501:确定所述样本对象图像对应的对象标签。
S503:将所述样本对象图像作为第四深度学习模型的输入,对所述第四深度学习模型进行对象识别的训练学习,得到所述样本对象图像对应的预测对象。
S505:判断所述样本对象图像对应的预测对象和对象标签是否一致。
S507:当判断的结果为否时,基于梯度下降法调整所述第四深度学习模型中的模型参数,重复上述的S503至S505的步骤。
S509:当判断的结果为是时,将当前的第四深度学习模型作为所述对象识别模型。
具体的,可以将所述样本对象图像和所述第一生成图像作为对象识别模型的输入,对所述对象识别模型进行对象识别的训练学习,得到所述样本对象图像和所述第一生成图像为同一对象对应的图像的预测值;将所述预测值作为第三误差。
本说明书实施例中,样本对象图像和所述第一生成图像为同一对象对应的图像的预测值可以包括但不限于以计算样本对象图像和所述第一生成图像间的余弦相似度等,即模型输出的预测值为样本对象图像和第一生成图像对应的两个特征向量间的相似度,该相似度即为第三误差,当两个向量越相似时,余弦相似度越低,第三误差越小。
本说明书实施例中,通过在进行生成模型的训练学习过程中,再结合样本对象图像和生成模型生成的第一生成图像对具有对象识别能力的对象识别模型进行对象识别的训练学习,可以保证生成模型生成的图像在去除目标隐私属性的同时,具有对象识别分类性能。
S209:判断所述第一误差、所述第二误差和所述第三误差是否满足第一预设条件。
本说明书实施例中,所述第一预设条件可以为第一误差、第二误差和第三误差之和小于等于指定的阈值;也可以为当前的第一误差、第二误差和第三误差之和,与上一次训练时的第一误差、第二误差和第三误差之和间的差值小于等于预设的阈值;也可以为第一误差、第二误差和第三误差之和小于等于指定的阈值,且第一误差、第二误差和第三误差分别小于等于指定的另一阈值;也可以为当前的第一误差、第二误差和第三误差之和,与上一次训练时的第一误差、第二误差和第三误差之和间的差值小于等于预设的阈值,且当前的第一误差与上一次训练时的第一误差间的差值,且当前的第二误差与上一次训练时的第二误差间的差值,且当前的第三误差与上一次训练时的第三误差间的差值分别小于等于预设的另一阈值。
S211:当判断的结果为否时,基于梯度下降法调整所述生成模型、第一深度学习模型、目标隐私属性识别模型、对象识别模型中的模型参数,重复上述的训练学习步骤。
S213:当判断的结果为是时,将当前的生成模型作为初训生成模型。
本说明书实施例中,通过在进行生成模型的训练学习过程中,结合对第一深度学习模型的对象图像识别的训练学习,以及对具有识别目标隐私属性的目标隐私属性模型进行目标隐私属性去除的训练学习,以及对具有对象识别的对象识别模型进行对象识别的训练学习,可以提高生成模型生成的图与样本对象图像的相似性,且证去除生成模型生成的图像中目标隐私属性,实现对目标隐私属性的保密,同时使得生成模型生成的图像具有对象识别分类的性能。
S215:将所述样本噪声信息作为所述初训生成模型的输入,对所述初训生成模型进行图像生成的训练学习,得到第三生成图像。
S217:将所述第三生成图像和所述样本对象图像作为判定模型的输入,对所述判定模型进行图像真实性判定的训练学习,得到所述判定模型对应的第四误差。
本说明书实施例中,判定模型可以为生成式对抗网络(GAN,GenerativeAdversarial Networks)中的判定模型,具体的,所述判定模型可以包括第一卷积层、第二卷积层、第三卷积层以及平均池化层。
在一个具体的实施例中,第一卷积层可以包括128个3x3的神经元、第二卷积层可以包括256个3x3的神经元、第三卷积层可以包括512个3x3的神经元的第三卷积层。
具体的,可以将所述第三生成图像和所述样本对象图像作为判定模型的输入,对所述判定模型进行图像真实性判定的训练学习,得到训练图像的真实性预测值,所述训练图像包括所述第三生成图像和所述样本对象图像;
基于第四损失函数计算所述训练图像的真实人脸预测值和所述训练图像的样本标签间的第四误差,所述训练图像对应的样本标签表征训练图像为样本对象图像的概率。
本说明书实施例中,训练图像的真实性预测值可以为训练图像是否为样本对象图像的预测概率,具体的,第三生成图像对应的样本标签所表征第三生成图像为样本对象图像的概率为0,样本对象图像对应的样本标签所表征样本对象图像为样本对象图像的概率为1。
具体的,基于第四损失函数计算所述训练图像的真实人脸预测值和所述训练图像的样本标签间的第四误差的具体说明可以参见上述基于第一损失函数计算所述训练图像为样本对象图像的预测值和所述训练图像的样本标签间的第一误差的相关说明,在此不再赘述。
S219:判断所述第四误差是否满足第二预设条件。
具体的,这里的第二预设条件可以参见第三预设条件的相关说明,在此不再赘述。
S221:当判断的结果为否时,基于梯度下降法调整所述生成模型和判定模型中的模型参数,重复上述的训练学习步骤。
S223:当判断的结果为是时,将当前的生成模型作为目标噪声图像生成模型。
本说明书实施例中,通过对抗的方式训练好目标噪声图像生成模型,后续,基于该目标噪声图像生成模型可以将任意随机噪声信息转换成具有去除需要保密的目标隐私属性的特征,同时保持对象分类的性能的图像。
以下基于目标噪声图像生成模型,介绍本申请一种图像的加噪处理方法,图6是本申请实施例提供的一种图像的加噪处理方法的流程示意图,本说明书提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的系统或服务器产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图6所示,所述方法可以包括:
S601:获取随机噪声信息和目标对象图像。
本说明书实施例中,随机噪声信息可以包括指定维度的从高斯分布中随机采样得到的向量。具体的,目标对象可以包括但不限于人、动物、物品、场所等,目标对象图像可以为对象的图像。样本对象图像对应的对象包括目标对象。
S603:将所述随机噪声信息作为目标噪声图像生成模型的输入,生成目标噪声图像。
本说明书实施例中,在目标噪声图像生成模型训练过程中,结合样本对象图像对第一深度学习模型进行对象图像识别、对目标隐私属性识别模型进行目标隐私属性去除、对对象识别模型进行对象识别以及对判定模型进行图像真实性判定的约束训练,可以实现对生成模型生成的图像进行行目标隐私属性去除、且具有对象分类性能的约束限制,相应的,本说明书实施例中,目标噪声图像生成模型生成的目标噪声图像可以为具有对象分类性能且去除对象的目标隐私属性的图像。
S605:基于所述目标噪声图像对所述目标对象图像进行加噪处理,得到所述目标对象图像的加噪图像。
在实际应用中,在对图像进行处理时,图像相当于具有图像特征的特征向量,相应的,可以对所述目标噪声图像对应的特征向量和目标对象图像对应的特征向量进行平均处理,得到平均处理后的特征向量;对所述平均处理后的特征向量进行反卷积操作,得到所述目标对象图像的加噪图像。
本说明书实施例中,在得到具有对象分类性能且去除对象的目标隐私属性的目标噪声图像,通过将该目标噪声图像与目标对象图像进行平均处理,然后,在对所述平均处理后的特征向量进行反卷积操作,得到目标对象图像的加噪图像,可以包括加噪图像与原始的目标对象图像间的一定相似度的基础上,实现去除需要保密的目标隐私属性的特征,同时保持对象分类性能。在实际应用中,可以基于加噪后的图像准确区分不同对象的同时,去除了目标对象的真实的目标隐私属性,避免了目标隐私属性的泄露的安全问题。
本申请实施例还提供了一种图像的加噪处理装置,如图7所示,所述装置包括:
数据获取模块710,可以用于获取随机噪声信息和目标对象图像;
目标噪声图像生成模块720,可以用于将所述随机噪声信息作为目标噪声图像生成模型的输入,生成目标噪声图像,所述目标噪声图像为具有对象分类性能且去除对象的目标隐私属性的图像;
加噪处理模块730,可以用于基于所述目标噪声图像对所述目标对象图像进行加噪处理,得到所述目标对象图像的加噪图像;
其中,所述目标噪声图像生成模型为基于样本噪声信息对生成模型的图像生成训练时,结合样本对象图像对第一深度学习模型进行对象图像识别、对目标隐私属性识别模型进行目标隐私属性去除、对对象识别模型进行对象识别以及对判定模型进行图像真实性判定的约束训练得到的模型。
在一些实施例中,所述加噪处理模块730包括:
平均处理模块,用于对所述目标噪声图像对应的特征向量和目标对象图像对应的特征向量进行平均处理,得到平均处理后的特征向量;
反卷积操作模块,用于对所述平均处理后的特征向量进行反卷积操作,得到所述目标对象图像的加噪图像。
在一些实施例中,所述装置还包括:
训练样本数据获取模块,用于获取样本噪声信息和样本对象图像;
第一图像生成模块,用于将所述样本噪声信息作为生成模型的输入,对所述生成模型进行图像生成的训练学习,得到第一生成图像;
第二生成图像生成模块,用于基于所述样本对象图像和所述第一生成图像生成第二生成图像;
约束训练学习模块,用于将所述第二生成图像和所述样本对象图像作为第一深度学习模型的输入,所述样本对象图像和所述第一生成图像作为目标隐私属性识别模型的输入,所述样本对象图像和所述第一生成图像作为对象识别模型的输入,分别对所述第一深度学习模型、所述目标隐私属性识别模型和所述对象识别模型进行对象图像识别、目标隐私属性去除、对象识别的训练学习,得到所述第一深度学习模型对应的第一误差、所述目标隐私属性识别模型对应的第二误差和所述对象识别模型对应的第三误差;
第一判断模块,用于判断所述第一误差、所述第二误差和所述第三误差是否满足第一预设条件;
第一模型参数调整模块,用于当所述第一判断模块判断的结果为否时,基于梯度下降法调整所述生成模型、第一深度学习模型、目标隐私属性识别模型、对象识别模型中的模型参数,重复上述的训练学习步骤;
初训生成模型确定模块,用于当所述第一判断模块判断的结果为是时,将当前的生成模型作为初训生成模型;
第三图像生成模块,用于将所述样本噪声信息作为所述初训生成模型的输入,对所述初训生成模型进行图像生成的训练学习,得到第三生成图像;
图像真实性判定的训练学习模块,用于将所述第三生成图像和所述样本对象图像作为判定模型的输入,对所述判定模型进行图像真实性判定的训练学习,得到所述判定模型对应的第四误差;
第二判断模块,用于判断所述第四误差是否满足第二预设条件;
第二模型参数调整模块,用于当所述第二判断模块判断的结果为否时,基于梯度下降法调整所述生成模型和判定模型中的模型参数,重复上述的训练学习步骤;
目标噪声图像生成模型确定模块,用于当所述第二判断模块判断的结果为是时,将当前的生成模型作为目标噪声图像生成模型。
在一些实施例中,所述约束训练学习模块包括:
对象图像识别的训练学习单元,用于将所述第二生成图像和所述样本对象图像作为第一深度学习模型的输入,对所述第一深度学习模型进行对象图像识别的训练学习,得到训练图像为样本对象图像的预测值,所述训练图像包括所述第二生成图像和所述样本对象图像;
第一误差计算单元,用于基于第一损失函数计算所述训练图像为样本对象图像的预测值和所述训练图像的样本标签间的第一误差,所述训练图像对应的样本标签表征训练图像为样本对象图像的概率;
目标隐私属性去除的训练学习单元,用于将所述样本对象图像和所述第一生成图像作为目标隐私属性识别模型的输入,对所述目标隐私属性识别模型进行目标隐私属性去除的训练学习,得到所述样本对象图像对应的目标隐私属性预测值和所述第一生成图像对应的目标隐私属性预测值;
第二误差计算单元,用于基于第二损失函数计算所述样本对象图像对应的目标隐私属性预测值和所述第一生成图像对应的目标隐私属性预测值间的第二误差;
对象识别的训练学习模块,用于将所述样本对象图像和所述第一生成图像作为对象识别模型的输入,对所述对象识别模型进行对象识别的训练学习,得到所述样本对象图像和所述第一生成图像为同一对象对应的图像的预测值;
第二误差确定单元,用于将所述预测值作为第三误差。
在一些实施例中,所述图像真实性判定的训练学习模块包括:
图像真实性判定的训练学习单元,用于将所述第三生成图像和所述样本对象图像作为判定模型的输入,对所述判定模型进行图像真实性判定的训练学习,得到训练图像的真实性预测值,所述训练图像包括所述第三生成图像和所述样本对象图像;
第四误差计算单元,用于基于第四损失函数计算所述训练图像的真实人脸预测值和所述训练图像的样本标签间的第四误差,所述训练图像对应的样本标签表征训练图像为样本对象图像的概率。
在一些实施例中,当所述目标隐私属性为对象的年龄时,所述装置还包括:
年龄确定模块,用于确定所述样本对象图像对应对象的年龄;
年龄识别的训练学习模块,用于将所述样本对象图像作为第二深度学习模型的输入,对所述第二深度学习模型进行年龄识别的训练学习,得到所述样本对象图像对应对象的预测年龄;
第五误差计算模块,用于基于第五损失函数计算所述样本对象图像对应对象的预测年龄和年龄间的第五误差;
第三判断模块,用于判断所述第五误差是否满足第三预设条件;
第三模型参数调整模块,用于当所述第三判断模块判断的结果为否时,基于梯度下降法调整所述第二深度学习模型中的模型参数,重复上述的训练学习步骤;
第一目标隐私属性识别模型确定模块,用于当所述第三判断模块判断的结果为是时,将当前的第二深度学习模型作为所述目标隐私属性识别模型。
在一些实施例中,当所述目标隐私属性为对象的性别时,所述装置还包括:
性别标签确定模块,用于确定所述样本对象图像对应对象的性别标签;
性别识别的训练学习模块,用于将所述样本对象图像作为第三深度学习模型的输入,对所述第三深度学习模型进行性别识别的训练学习,得到所述样本对象图像对应对象的预测性别;
第四判断模块,用于判断所述样本对象图像对应对象的预测性别和性别标签是否一致;
第四模型参数调整模块,用于当所述第四判断模块判断的结果为否时,基于梯度下降法调整所述第三深度学习模型中的模型参数,重复上述的训练学习步骤;
第二目标隐私属性识别模型确定模块,用于当所述第四判断模块判断的结果为是时,将当前的第三深度学习模型作为所述目标隐私属性识别模型。
在一些实施例中,所述装置还包括:
对象标签确定模块,用于确定所述样本对象图像对应的对象标签;
对象识别的训练学习模块,用于将所述样本对象图像作为第四深度学习模型的输入,对所述第四深度学习模型进行对象识别的训练学习,得到所述样本对象图像对应的预测对象;
第五判断模块,用于判断所述样本对象图像对应的预测对象和对象标签是否一致;
第五模型参数调整模块,用于当所述第五判断模块判断的结果为否时,基于梯度下降法调整所述第四深度学习模型中的模型参数,重复上述的训练学习步骤;
对象识别模型确定模块,用于当所述第五判断模块判断的结果为是时,将当前的第四深度学习模型作为所述对象识别模型。
在一些实施例中,当所述目标隐私属性为对象的隐私资料信息时,所述装置还包括:
隐私资料信息确定模块,用于确定所述样本对象图像对应隐私资料信息;
隐私资料信息识别的训练学习模块,用于将所述样本对象图像作为第五深度学习模型的输入,对所述第五深度学习模型进行隐私资料信息识别的训练学习,得到所述样本对象图像对应预测隐私资料信息;
第六判断模块,用于判断所述样本对象图像对应预测隐私资料信息和隐私资料信息是否一致;
第六模型参数调整模块,用于当所述第六判断模块判断的结果为否时,基于梯度下降法调整所述第五深度学习模型中的模型参数,重复上述的训练学习步骤;
第三目标隐私属性识别模型确定模块,用于当所述第六判断模块判断的结果为是时,将当前的第五深度学习模型作为所述目标隐私属性识别模型。
所述的装置实施例中的装置与方法实施例基于同样的申请构思。
本申请实施例提供了一种图像的加噪处理设备,该图像的加噪处理设备包括处理器和存储器,该存储器中存储有至少一条指令、至少一段程序、代码集或指令集,该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现如上述方法实施例所提供的图像的加噪处理方法。
存储器可用于存储软件程序以及模块,处理器通过运行存储在存储器的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、功能所需的应用程序等;存储数据区可存储根据所述设备的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器还可以包括存储器控制器,以提供处理器对存储器的访问。
本申请实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例,图8是本申请实施例提供的一种图像的加噪处理方法的服务器的硬件结构框图。如图8所示,该服务器800可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(Central Processing Units,CPU)810(处理器810可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器830,一个或一个以上存储应用程序823或数据822的存储介质820(例如一个或一个以上海量存储设备)。其中,存储器830和存储介质820可以是短暂存储或持久存储。存储在存储介质820的程序可以包括一个或一个以上模块,每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器810可以设置为与存储介质820通信,在服务器800上执行存储介质820中的一系列指令操作。服务器800还可以包括一个或一个以上电源860,一个或一个以上有线或无线网络接口850,一个或一个以上输入输出接口840,和/或,一个或一个以上操作系统821,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
输入输出接口840可以用于经由一个网络接收或者发送数据。上述的网络具体实例可包括服务器800的通信供应商提供的无线网络。在一个实例中,输入输出接口840包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,输入输出接口840可以为射频(RadioFrequency,RF)模块,其用于通过无线方式与互联网进行通讯。
本领域普通技术人员可以理解,图8所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,服务器800还可包括比图8中所示更多或者更少的组件,或者具有与图8所示不同的配置。
本申请的实施例还提供了一种存储介质,所述存储介质可设置于服务器之中以保存用于实现方法实施例中一种图像的加噪处理方法相关的至少一条指令、至少一段程序、代码集或指令集,该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现上述方法实施例提供的图像的加噪处理方法。
可选地,在本实施例中,上述存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
由上述本申请提供的图像的加噪处理方法、装置、服务器或存储介质的实施例可见,本申请中基于目标噪声图像生成模型将随机噪声信息转换成具有去除了需要保密的目标隐私属性的特征,同时保持对象分类的性能的目标噪声图像,然后,基于目标噪声图像对目标对象图像进行加噪,可以保证得到的加噪图像与原始的目标对象图像间具有一定相似度的基础上,去除需要保密的目标隐私属性的特征,实现基于加噪后的图像准确区分不同对象的同时,避免了目标隐私属性的泄露的安全问题。
需要说明的是:上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备和存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指示相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (18)
1.一种图像的加噪处理方法,其特征在于,所述方法包括:
获取随机噪声信息和目标对象图像;
将所述随机噪声信息作为目标噪声图像生成模型的输入,生成目标噪声图像,所述目标噪声图像为具有对象分类性能且去除对象的目标隐私属性的图像;
基于所述目标噪声图像对所述目标对象图像进行加噪处理,得到所述目标对象图像的加噪图像;
其中,所述目标噪声图像生成模型为基于样本噪声信息对生成模型的图像生成训练时,结合样本对象图像对第一深度学习模型进行对象图像识别、对目标隐私属性识别模型进行目标隐私属性去除、对对象识别模型进行对象识别以及对判定模型进行图像真实性判定的约束训练得到的模型;
所述目标噪声图像生成模型采用下述方式生成:获取样本噪声信息和样本对象图像;将所述样本噪声信息作为生成模型的输入,对所述生成模型进行图像生成的训练学习,得到第一生成图像;基于所述样本对象图像和所述第一生成图像生成第二生成图像;将所述第二生成图像和所述样本对象图像作为第一深度学习模型的输入,所述样本对象图像和所述第一生成图像作为目标隐私属性识别模型的输入,所述样本对象图像和所述第一生成图像作为对象识别模型的输入,分别对所述第一深度学习模型、所述目标隐私属性识别模型和所述对象识别模型进行对象图像识别、目标隐私属性去除、对象识别的训练学习,得到所述第一深度学习模型对应的第一误差、所述目标隐私属性识别模型对应的第二误差和所述对象识别模型对应的第三误差;判断所述第一误差、所述第二误差和所述第三误差是否满足第一预设条件;当判断的结果为否时,基于梯度下降法调整所述生成模型、第一深度学习模型、目标隐私属性识别模型、对象识别模型中的模型参数,重复上述的训练学习步骤;当判断的结果为是时,将当前的生成模型作为初训生成模型;将所述样本噪声信息作为所述初训生成模型的输入,对所述初训生成模型进行图像生成的训练学习,得到第三生成图像;将所述第三生成图像和所述样本对象图像作为判定模型的输入,对所述判定模型进行图像真实性判定的训练学习,得到所述判定模型对应的第四误差;判断所述第四误差是否满足第二预设条件;当判断的结果为否时,基于梯度下降法调整所述生成模型和判定模型中的模型参数,重复上述的训练学习步骤;当判断的结果为是时,将当前的生成模型作为所述目标噪声图像生成模型。
2.根据权利要求1所述的方法,其特征在于,所述基于所述目标噪声图像对所述目标对象图像进行加噪处理,得到所述目标对象图像的加噪图像包括:
对所述目标噪声图像对应的特征向量和目标对象图像对应的特征向量进行平均处理,得到平均处理后的特征向量;
对所述平均处理后的特征向量进行反卷积操作,得到所述目标对象图像的加噪图像。
3.根据权利要求1所述的方法,其特征在于,所述将所述第二生成图像和所述样本对象图像作为第一深度学习模型的输入,所述样本对象图像和所述第一生成图像作为目标隐私属性识别模型的输入,所述样本对象图像和所述第一生成图像作为对象识别模型的输入,分别对所述第一深度学习模型、所述目标隐私属性识别模型和所述对象识别模型进行对象图像识别、目标隐私属性去除、对象识别的训练学习,得到所述第一深度学习模型对应的第一误差、所述目标隐私属性识别模型对应的第二误差和所述对象识别模型对应的第三误差包括:
将所述第二生成图像和所述样本对象图像作为第一深度学习模型的输入,对所述第一深度学习模型进行对象图像识别的训练学习,得到训练图像为样本对象图像的预测值,所述训练图像包括所述第二生成图像和所述样本对象图像;
基于第一损失函数计算所述训练图像为样本对象图像的预测值和所述训练图像的样本标签间的第一误差,所述训练图像对应的样本标签表征训练图像为样本对象图像的概率;
将所述样本对象图像和所述第一生成图像作为目标隐私属性识别模型的输入,对所述目标隐私属性识别模型进行目标隐私属性去除的训练学习,得到所述样本对象图像对应的目标隐私属性预测值和所述第一生成图像对应的目标隐私属性预测值;
基于第二损失函数计算所述样本对象图像对应的目标隐私属性预测值和所述第一生成图像对应的目标隐私属性预测值间的第二误差;
将所述样本对象图像和所述第一生成图像作为对象识别模型的输入,对所述对象识别模型进行对象识别的训练学习,得到所述样本对象图像和所述第一生成图像为同一对象对应的图像的预测值;
将所述预测值作为第三误差。
4.根据权利要求1所述的方法,其特征在于,所述将所述第三生成图像和所述样本对象图像作为判定模型的输入,对所述判定模型进行图像真实性判定的训练学习,得到所述判定模型对应的第四误差包括:
将所述第三生成图像和所述样本对象图像作为判定模型的输入,对所述判定模型进行图像真实性判定的训练学习,得到训练图像的真实性预测值,所述训练图像包括所述第三生成图像和所述样本对象图像;
基于第四损失函数计算所述训练图像的真实人脸预测值和所述训练图像的样本标签间的第四误差,所述训练图像对应的样本标签表征训练图像为样本对象图像的概率。
5.根据权利要求1所述的方法,其特征在于,当所述目标隐私属性为对象的年龄时,所述方法还包括:
确定所述样本对象图像对应对象的年龄标签;
将所述样本对象图像作为第二深度学习模型的输入,对所述第二深度学习模型进行年龄识别的训练学习,得到所述样本对象图像对应对象的预测年龄;
基于第五损失函数计算所述样本对象图像对应对象的预测年龄和年龄标签间的第五误差;
判断所述第五误差是否满足第三预设条件;
当判断的结果为否时,基于梯度下降法调整所述第二深度学习模型中的模型参数,重复上述的训练学习步骤;
当判断的结果为是时,将当前的第二深度学习模型作为所述目标隐私属性识别模型。
6.根据权利要求1所述的方法,其特征在于,当所述目标隐私属性为对象的性别时,所述方法还包括:
确定所述样本对象图像对应对象的性别标签;
将所述样本对象图像作为第三深度学习模型的输入,对所述第三深度学习模型进行性别识别的训练学习,得到所述样本对象图像对应对象的预测性别;
判断所述样本对象图像对应对象的预测性别和性别标签是否一致;
当判断的结果为否时,基于梯度下降法调整所述第三深度学习模型中的模型参数,重复上述的训练学习步骤;
当判断的结果为是时,将当前的第三深度学习模型作为所述目标隐私属性识别模型。
7.根据权利要求1所述的方法,其特征在于,当所述目标隐私属性为对象的隐私资料信息时,所述方法还包括:
确定所述样本对象图像对应隐私资料信息;
将所述样本对象图像作为第五深度学习模型的输入,对所述第五深度学习模型进行隐私资料信息识别的训练学习,得到所述样本对象图像对应预测隐私资料信息;
判断所述样本对象图像对应预测隐私资料信息和隐私资料信息是否一致;
当判断的结果为否时,基于梯度下降法调整所述第五深度学习模型中的模型参数,重复上述的训练学习步骤;
当判断的结果为是时,将当前的第五深度学习模型作为所述目标隐私属性识别模型。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
确定所述样本对象图像对应的对象标签;
将所述样本对象图像作为第四深度学习模型的输入,对所述第四深度学习模型进行对象识别的训练学习,得到所述样本对象图像对应的预测对象;
判断所述样本对象图像对应的预测对象和对象标签是否一致;
当判断的结果为否时,基于梯度下降法调整所述第四深度学习模型中的模型参数,重复上述的训练学习步骤;
当判断的结果为是时,将当前的第四深度学习模型作为所述对象识别模型。
9.一种图像的加噪处理装置,其特征在于,所述装置包括:
数据获取模块,用于获取随机噪声信息和目标对象图像;
目标噪声图像生成模块,用于将所述随机噪声信息作为目标噪声图像生成模型的输入,生成目标噪声图像,所述目标噪声图像为具有对象分类性能且去除对象的目标隐私属性的图像;
加噪处理模块,用于基于所述目标噪声图像对所述目标对象图像进行加噪处理,得到所述目标对象图像的加噪图像;
其中,所述目标噪声图像生成模型为基于样本噪声信息对生成模型的图像生成训练时,结合样本对象图像对第一深度学习模型进行对象图像识别、对目标隐私属性识别模型进行目标隐私属性去除、对对象识别模型进行对象识别以及对判定模型进行图像真实性判定的约束训练得到的模型;
所述目标噪声图像生成模型基于下述模块生成:训练样本数据获取模块,用于获取样本噪声信息和样本对象图像;第一图像生成模块,用于将所述样本噪声信息作为生成模型的输入,对所述生成模型进行图像生成的训练学习,得到第一生成图像;第二生成图像生成模块,用于基于所述样本对象图像和所述第一生成图像生成第二生成图像;约束训练学习模块,用于将所述第二生成图像和所述样本对象图像作为第一深度学习模型的输入,所述样本对象图像和所述第一生成图像作为目标隐私属性识别模型的输入,所述样本对象图像和所述第一生成图像作为对象识别模型的输入,分别对所述第一深度学习模型、所述目标隐私属性识别模型和所述对象识别模型进行对象图像识别、目标隐私属性去除、对象识别的训练学习,得到所述第一深度学习模型对应的第一误差、所述目标隐私属性识别模型对应的第二误差和所述对象识别模型对应的第三误差;第一判断模块,用于判断所述第一误差、所述第二误差和所述第三误差是否满足第一预设条件;第一模型参数调整模块,用于当所述第一判断模块判断的结果为否时,基于梯度下降法调整所述生成模型、第一深度学习模型、目标隐私属性识别模型、对象识别模型中的模型参数,重复上述的训练学习步骤;初训生成模型确定模块,用于当所述第一判断模块判断的结果为是时,将当前的生成模型作为初训生成模型;第三图像生成模块,用于将所述样本噪声信息作为所述初训生成模型的输入,对所述初训生成模型进行图像生成的训练学习,得到第三生成图像;图像真实性判定的训练学习模块,用于将所述第三生成图像和所述样本对象图像作为判定模型的输入,对所述判定模型进行图像真实性判定的训练学习,得到所述判定模型对应的第四误差;第二判断模块,用于判断所述第四误差是否满足第二预设条件;第二模型参数调整模块,用于当所述第二判断模块判断的结果为否时,基于梯度下降法调整所述生成模型和判定模型中的模型参数,重复上述的训练学习步骤;目标噪声图像生成模型确定模块,用于当所述第二判断模块判断的结果为是时,将当前的生成模型作为所述目标噪声图像生成模型。
10.根据权利要求9所述的装置,其特征在于,所述加噪处理模块包括:
平均处理模块,用于对所述目标噪声图像对应的特征向量和目标对象图像对应的特征向量进行平均处理,得到平均处理后的特征向量;
反卷积操作模块,用于对所述平均处理后的特征向量进行反卷积操作,得到所述目标对象图像的加噪图像。
11.根据权利要求9所述的装置,其特征在于,所述约束训练学习模块包括:
对象图像识别的训练学习单元,用于将所述第二生成图像和所述样本对象图像作为第一深度学习模型的输入,对所述第一深度学习模型进行对象图像识别的训练学习,得到训练图像为样本对象图像的预测值,所述训练图像包括所述第二生成图像和所述样本对象图像;
第一误差计算单元,用于基于第一损失函数计算所述训练图像为样本对象图像的预测值和所述训练图像的样本标签间的第一误差,所述训练图像对应的样本标签表征训练图像为样本对象图像的概率;
目标隐私属性去除的训练学习单元,用于将所述样本对象图像和所述第一生成图像作为目标隐私属性识别模型的输入,对所述目标隐私属性识别模型进行目标隐私属性去除的训练学习,得到所述样本对象图像对应的目标隐私属性预测值和所述第一生成图像对应的目标隐私属性预测值;
第二误差计算单元,用于基于第二损失函数计算所述样本对象图像对应的目标隐私属性预测值和所述第一生成图像对应的目标隐私属性预测值间的第二误差;
对象识别的训练学习模块,用于将所述样本对象图像和所述第一生成图像作为对象识别模型的输入,对所述对象识别模型进行对象识别的训练学习,得到所述样本对象图像和所述第一生成图像为同一对象对应的图像的预测值;
第二误差确定单元,用于将所述预测值作为第三误差。
12.根据权利要求9所述的装置,其特征在于,所述图像真实性判定的训练学习模块包括:
图像真实性判定的训练学习单元,用于将所述第三生成图像和所述样本对象图像作为判定模型的输入,对所述判定模型进行图像真实性判定的训练学习,得到训练图像的真实性预测值,所述训练图像包括所述第三生成图像和所述样本对象图像;
第四误差计算单元,用于基于第四损失函数计算所述训练图像的真实人脸预测值和所述训练图像的样本标签间的第四误差,所述训练图像对应的样本标签表征训练图像为样本对象图像的概率。
13.根据权利要求9所述的装置,其特征在于,当所述目标隐私属性为对象的年龄时,所述装置还包括:
年龄确定模块,用于确定所述样本对象图像对应对象的年龄;
年龄识别的训练学习模块,用于将所述样本对象图像作为第二深度学习模型的输入,对所述第二深度学习模型进行年龄识别的训练学习,得到所述样本对象图像对应对象的预测年龄;
第五误差计算模块,用于基于第五损失函数计算所述样本对象图像对应对象的预测年龄和年龄间的第五误差;
第三判断模块,用于判断所述第五误差是否满足第三预设条件;
第三模型参数调整模块,用于当所述第三判断模块判断的结果为否时,基于梯度下降法调整所述第二深度学习模型中的模型参数,重复上述的训练学习步骤;
第一目标隐私属性识别模型确定模块,用于当所述第三判断模块判断的结果为是时,将当前的第二深度学习模型作为所述目标隐私属性识别模型。
14.根据权利要求9所述的装置,其特征在于,当所述目标隐私属性为对象的性别时,所述装置还包括:
性别标签确定模块,用于确定所述样本对象图像对应对象的性别标签;
性别识别的训练学习模块,用于将所述样本对象图像作为第三深度学习模型的输入,对所述第三深度学习模型进行性别识别的训练学习,得到所述样本对象图像对应对象的预测性别;
第四判断模块,用于判断所述样本对象图像对应对象的预测性别和性别标签是否一致;
第四模型参数调整模块,用于当所述第四判断模块判断的结果为否时,基于梯度下降法调整所述第三深度学习模型中的模型参数,重复上述的训练学习步骤;
第二目标隐私属性识别模型确定模块,用于当所述第四判断模块判断的结果为是时,将当前的第三深度学习模型作为所述目标隐私属性识别模型。
15.根据权利要求9所述的装置,其特征在于,所述装置还包括:
对象标签确定模块,用于确定所述样本对象图像对应的对象标签;
对象识别的训练学习模块,用于将所述样本对象图像作为第四深度学习模型的输入,对所述第四深度学习模型进行对象识别的训练学习,得到所述样本对象图像对应的预测对象;
第五判断模块,用于判断所述样本对象图像对应的预测对象和对象标签是否一致;
第五模型参数调整模块,用于当所述第五判断模块判断的结果为否时,基于梯度下降法调整所述第四深度学习模型中的模型参数,重复上述的训练学习步骤;
对象识别模型确定模块,用于当所述第五判断模块判断的结果为是时,将当前的第四深度学习模型作为所述对象识别模型。
16.根据权利要求9所述的装置,其特征在于,当所述目标隐私属性为对象的隐私资料信息时,所述装置还包括:
隐私资料信息确定模块,用于确定所述样本对象图像对应隐私资料信息;
隐私资料信息识别的训练学习模块,用于将所述样本对象图像作为第五深度学习模型的输入,对所述第五深度学习模型进行隐私资料信息识别的训练学习,得到所述样本对象图像对应预测隐私资料信息;
第六判断模块,用于判断所述样本对象图像对应预测隐私资料信息和隐私资料信息是否一致;
第六模型参数调整模块,用于当所述第六判断模块判断的结果为否时,基于梯度下降法调整所述第五深度学习模型中的模型参数,重复上述的训练学习步骤;
第三目标隐私属性识别模型确定模块,用于当所述第六判断模块判断的结果为是时,将当前的第五深度学习模型作为所述目标隐私属性识别模型。
17.一种图像的加噪处理设备,其特征在于,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至8任一所述的图像的加噪处理方法。
18.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至8任一所述的图像的加噪处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910807980.9A CN110648289B (zh) | 2019-08-29 | 2019-08-29 | 图像的加噪处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910807980.9A CN110648289B (zh) | 2019-08-29 | 2019-08-29 | 图像的加噪处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110648289A CN110648289A (zh) | 2020-01-03 |
CN110648289B true CN110648289B (zh) | 2023-07-11 |
Family
ID=68991193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910807980.9A Active CN110648289B (zh) | 2019-08-29 | 2019-08-29 | 图像的加噪处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110648289B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539008B (zh) * | 2020-05-22 | 2023-04-11 | 蚂蚁金服(杭州)网络技术有限公司 | 保护隐私的图像处理方法及装置 |
CN111461089B (zh) * | 2020-06-17 | 2020-09-15 | 腾讯科技(深圳)有限公司 | 一种人脸检测的方法、人脸检测模型的训练方法及装置 |
CN115659408B (zh) * | 2022-12-05 | 2023-04-07 | 国网湖北省电力有限公司信息通信公司 | 一种电力系统敏感数据共享方法、系统及存储介质 |
CN116310356B (zh) * | 2023-03-23 | 2024-03-29 | 昆仑芯(北京)科技有限公司 | 深度学习模型的训练方法、目标检测方法、装置及设备 |
CN116596752B (zh) * | 2023-07-19 | 2023-12-08 | 腾讯科技(深圳)有限公司 | 脸部图像替换方法、装置、设备及存储介质 |
CN117078789B (zh) * | 2023-09-22 | 2024-01-02 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104008521A (zh) * | 2014-05-29 | 2014-08-27 | 西安理工大学 | 基于灰度共生矩阵统计特征的lsb替换隐写分析方法 |
CN104574380A (zh) * | 2014-12-25 | 2015-04-29 | 中国科学院武汉物理与数学研究所 | 一种图像随机加密双盲保密匹配方法 |
CN105659249A (zh) * | 2013-08-19 | 2016-06-08 | 汤姆逊许可公司 | 用于通过加性噪声的效用感知隐私保护映射的方法和装置 |
KR101713089B1 (ko) * | 2016-10-31 | 2017-03-07 | (주)아이엠시티 | 개인정보 보호를 위한 이미지 자동 모자이크 처리장치 및 방법 |
CN109753921A (zh) * | 2018-12-29 | 2019-05-14 | 上海交通大学 | 一种人脸特征向量隐私保护识别方法 |
CN110084734A (zh) * | 2019-04-25 | 2019-08-02 | 南京信息工程大学 | 一种基于物体局部生成对抗网络的大数据权属保护方法 |
-
2019
- 2019-08-29 CN CN201910807980.9A patent/CN110648289B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105659249A (zh) * | 2013-08-19 | 2016-06-08 | 汤姆逊许可公司 | 用于通过加性噪声的效用感知隐私保护映射的方法和装置 |
CN104008521A (zh) * | 2014-05-29 | 2014-08-27 | 西安理工大学 | 基于灰度共生矩阵统计特征的lsb替换隐写分析方法 |
CN104574380A (zh) * | 2014-12-25 | 2015-04-29 | 中国科学院武汉物理与数学研究所 | 一种图像随机加密双盲保密匹配方法 |
KR101713089B1 (ko) * | 2016-10-31 | 2017-03-07 | (주)아이엠시티 | 개인정보 보호를 위한 이미지 자동 모자이크 처리장치 및 방법 |
CN109753921A (zh) * | 2018-12-29 | 2019-05-14 | 上海交通大学 | 一种人脸特征向量隐私保护识别方法 |
CN110084734A (zh) * | 2019-04-25 | 2019-08-02 | 南京信息工程大学 | 一种基于物体局部生成对抗网络的大数据权属保护方法 |
Non-Patent Citations (1)
Title |
---|
基于DCGAN反馈的深度差分隐私保护方法;毛典辉 等;北京工业大学学报(06);第75-82页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110648289A (zh) | 2020-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110648289B (zh) | 图像的加噪处理方法及装置 | |
US20210166732A1 (en) | Method for triggering events in a video | |
CN109214343B (zh) | 用于生成人脸关键点检测模型的方法和装置 | |
US11348249B2 (en) | Training method for image semantic segmentation model and server | |
CN108205655B (zh) | 一种关键点预测方法、装置、电子设备及存储介质 | |
US10936911B2 (en) | Logo detection | |
CN111950638B (zh) | 基于模型蒸馏的图像分类方法、装置和电子设备 | |
CN111291841B (zh) | 图像识别模型训练方法、装置、计算机设备和存储介质 | |
CN110349147B (zh) | 模型的训练方法、眼底黄斑区病变识别方法、装置及设备 | |
US11238272B2 (en) | Method and apparatus for detecting face image | |
CN108288051B (zh) | 行人再识别模型训练方法及装置、电子设备和存储介质 | |
CN107798354B (zh) | 一种基于人脸图像的图片聚类方法、装置及存储设备 | |
CN107330904A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN107679466B (zh) | 信息输出方法和装置 | |
CN110765882B (zh) | 一种视频标签确定方法、装置、服务器及存储介质 | |
CN109063584B (zh) | 基于级联回归的面部特征点定位方法、装置、设备及介质 | |
CN111598038B (zh) | 脸部特征点检测方法、装置、设备及存储介质 | |
CN114186632B (zh) | 关键点检测模型的训练方法、装置、设备、存储介质 | |
CN110321892B (zh) | 一种图片筛选方法、装置及电子设备 | |
CN108491812B (zh) | 人脸识别模型的生成方法和装置 | |
CN111783997B (zh) | 一种数据处理方法、装置及设备 | |
US20190311216A1 (en) | Image processing device, image processing method, and image processing program | |
CN113254491A (zh) | 一种信息推荐的方法、装置、计算机设备及存储介质 | |
CN110866469A (zh) | 一种人脸五官识别方法、装置、设备及介质 | |
CN112966685A (zh) | 用于场景文本识别的攻击网络训练方法、装置及相关设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40020283 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |