CN112101192B - 基于人工智能的伪装检测方法、装置、设备及介质 - Google Patents

基于人工智能的伪装检测方法、装置、设备及介质 Download PDF

Info

Publication number
CN112101192B
CN112101192B CN202010955549.1A CN202010955549A CN112101192B CN 112101192 B CN112101192 B CN 112101192B CN 202010955549 A CN202010955549 A CN 202010955549A CN 112101192 B CN112101192 B CN 112101192B
Authority
CN
China
Prior art keywords
data
unit
residual error
acquiring
convolution residual
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
Application number
CN202010955549.1A
Other languages
English (en)
Other versions
CN112101192A (zh
Inventor
喻晨曦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Life Insurance Company of China Ltd
Original Assignee
Ping An Life Insurance Company of China Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Life Insurance Company of China Ltd filed Critical Ping An Life Insurance Company of China Ltd
Priority to CN202010955549.1A priority Critical patent/CN112101192B/zh
Publication of CN112101192A publication Critical patent/CN112101192A/zh
Application granted granted Critical
Publication of CN112101192B publication Critical patent/CN112101192B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Human Computer Interaction (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及人工智能领域，提供一种基于人工智能的伪装检测方法、装置、设备及介质，能够以小批量数据训练深度树学习框架，由于模型具有较高的泛化能力，进而兼容新型攻击样本的分类，减少了新型攻击样本对现有模型的负面效果，实现了对新型攻击的零样本学习，而且，由于模型的泛化能力较强，检测时的覆盖面也更广，进而实现对多种伪装的有效检测，检测效果更佳。本发明还涉及区块链技术，伪装检测结果可存储于区块链。

Description

基于人工智能的伪装检测方法、装置、设备及介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的伪装检测方法、装置、设备及介质。
背景技术
目前，一些领域存在着冒充他人办理相关业务等冒办现象，造成了一定的安全风险。
传统的冒办检测主要是通过冗长与繁琐的人工审核，但是随着计算机视觉识别技术的普及，通过大数据训练后的深度学习模型来识别人体的重要特征，便可以让算法像判别专家一样感知出高度可疑的客户照片。
但是，随着各种伪装技术地不断涌现，新型攻击的表现形式也层出不穷，不仅加大了检测任务的分类难度，而且提高了数据复核与模型持续迭代的时间成本。同时，新型攻击样本在业务中的量占比往往不到0.05％，无法为模型的训练提供充足的训练样本，但是却有增长的趋势，新型攻击样本的种类与表现模式都在不断演变，给冒办检测带来了诸多困难，而传统方式无法迅速地分类与检索到这些新型攻击样本。
发明内容
鉴于以上内容，有必要提供一种基于人工智能的伪装检测方法、装置、设备及介质，能够兼容新型攻击样本的分类，减少新型攻击样本对现有模型的负面效果，实现对新型攻击的零样本学习，并且，由于模型的泛化能力较强，因此检测时的覆盖面也更广，进而实现对多种伪装的有效检测，检测效果更佳。
一种基于人工智能的伪装检测方法，所述基于人工智能的伪装检测方法包括：
响应于伪装检测指令，获取带有预设类型的伪装的初始图片，并对所述初始图片进行特征截取，得到样本数据；
对所述样本数据进行颜色空间转换，得到转换数据；
对所述转换数据进行拆分，得到多个小批量数据；
以所述多个小批量数据训练深度树学习框架，得到初始模型；
获取验证集，将所述验证集输入至所述初始模型，并获取所述初始模型的输出数据；
采用t-SNE算法验证所述输出数据，得到验证结果；
当所述验证结果满足配置条件时，停止训练，并将所述初始模型确定为目标模型；
获取待检测数据，将所述待检测数据输入至所述目标模型，并获取所述目标模型的输出作为伪装检测结果。
根据本发明优选实施例，所述对所述初始图片进行特征截取，得到样本数据包括：
将所述初始图片中的每张图片输入至YOLOv3网络中进行识别，得到每张图片的头像区域；
以每张图片的头像区域截取对应的每张图片，得到每个子样本；
整合得到的子样本，得到所述样本数据。
根据本发明优选实施例，所述以所述多个小批量数据训练深度树学习框架，得到初始模型包括：
从所述多个小批量数据中获取数据对所述深度学习框架进行第一预设次数的迭代，得到第一网络；
从所述第一网络中获取顶部卷积残差单元及中部卷积残差单元，并从所述多个小批量数据中获取数据对所述顶部卷积残差单元及所述中部卷积残差单元进行第二预设次数的迭代，得到第二网络；
从所述第二网络中获取根部卷积残差单元，并从所述多个小批量数据中获取数据对所述根部卷积残差单元进行第三预设次数的迭代，得到第三网络；
利用所述多个小批量数据中的未使用数据训练所述第三网络；
获取所述第三网络的目标损失函数，直至所述目标损失函数的取值达到收敛，停止训练，得到所述初始模型。
根据本发明优选实施例，所述深度树学习框架包括至少一个有监督的特征学习层及至少一个判别单元，所述基于人工智能的伪装检测方法还包括：
获取所述至少一个判别单元对应的判别损失，及获取所述至少一个有监督的特征学习层对应的学习损失；
确定所述多个小批量数据对应的唯一性损失，及确定所述深度树学习框架的深度图损失；
以所述判别损失、所述学习损失、所述唯一性损失及所述深度图损失构建所述目标损失函数。
根据本发明优选实施例，所述基于人工智能的伪装检测方法还包括：
采用t-SNE算法处理所述输出数据，得到二维特征图；
从所述二维特征图中获取特征的分离度及密集度；
当所述分离度大于或者等于配置分离度，且所述密集度大于或者等于配置密集度时，确定所述验证结果满足所述配置条件。
根据本发明优选实施例，在输出所述伪装检测结果后，所述基于人工智能的伪装检测方法还包括：
从所述伪装检测结果中获取风险预测概率；
当所述风险预测概率大于或者等于配置概率时，确定所述待检测数据存在伪装风险；
根据所述伪装检测结果生成风险提示信息；
将所述风险提示信息发送至指定终端设备。
根据本发明优选实施例，所述基于人工智能的伪装检测方法还包括：
响应于接收到的分析指令，从所述伪装检测结果中获取深度图；
解析所述分析指令的方法体，得到所述分析指令所携带的数据；
获取预设标签，以所述预设标签在所述分析指令所携带的数据中进行匹配；
将匹配的数据确定为目标用户；
发送所述深度图至所述目标用户的终端设备。
一种基于人工智能的伪装检测装置，所述基于人工智能的伪装检测装置包括：
截取单元，用于响应于伪装检测指令，获取带有预设类型的伪装的初始图片，并对所述初始图片进行特征截取，得到样本数据；
转换单元，用于对所述样本数据进行颜色空间转换，得到转换数据；
拆分单元，用于对所述转换数据进行拆分，得到多个小批量数据；
训练单元，用于以所述多个小批量数据训练深度树学习框架，得到初始模型；
输入单元，用于获取验证集，将所述验证集输入至所述初始模型，并获取所述初始模型的输出数据；
验证单元，用于采用t-SNE算法验证所述输出数据，得到验证结果；
确定单元，用于当所述验证结果满足配置条件时，停止训练，并将所述初始模型确定为目标模型；
所述输入单元，还用于获取待检测数据，将所述待检测数据输入至所述目标模型，并获取所述目标模型的输出作为伪装检测结果。
一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现所述基于人工智能的伪装检测方法。
一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现所述基于人工智能的伪装检测方法。
由以上技术方案可以看出，本发明能够响应于伪装检测指令，获取带有预设类型的伪装的初始图片，并对所述初始图片进行特征截取，得到样本数据，对所述样本数据进行颜色空间转换，得到转换数据，对所述转换数据进行拆分，得到多个小批量数据，以所述多个小批量数据训练深度树学习框架，得到初始模型，由于模型具有较高的泛化能力，进而兼容新型攻击样本的分类，减少了新型攻击样本对现有模型的负面效果，实现了对新型攻击的零样本学习，获取验证集，将所述验证集输入至所述初始模型，并获取所述初始模型的输出数据，采用t-SNE算法验证所述输出数据，得到验证结果，当所述验证结果满足配置条件时，停止训练，并将所述初始模型确定为目标模型，通过对模型的验证，使最终得到的模型效果更佳，获取待检测数据，将所述待检测数据输入至所述目标模型，并获取所述目标模型的输出作为伪装检测结果，进而通过训练的目标模型实现自动的伪装检测，由于模型的泛化能力较强，因此检测时的覆盖面也更广，进而实现对多种伪装的有效检测，检测效果更佳。
附图说明
图1是本发明基于人工智能的伪装检测方法的较佳实施例的流程图。
图2是本发明基于人工智能的伪装检测装置的较佳实施例的功能模块图。
图3是本发明实现基于人工智能的伪装检测方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明基于人工智能的伪装检测方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述基于人工智能的伪装检测方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(DigitalSignal Processor，DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能式穿戴式设备等。
所述电子设备还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
S10，响应于伪装检测指令，获取带有预设类型的伪装的初始图片，并对所述初始图片进行特征截取，得到样本数据。
在本实施例中，所述伪装是指利用化妆、面具、口罩等方式掩饰人物原本的面部特征的攻击方式，所述伪装广泛存在于各个领域，给各个领域带来了一定的安全隐患。
其中，所述预设类型的伪装包括，但不限于以下一种或者多种类型的组合：
通过打印照片的方式伪装、通过视频回放的方式伪装、采用纸张等类型的遮挡物掩盖面部的方式伪装、通过佩戴口罩的方式伪装、通过妆容伪装、通过敷面膜的方式伪装、通过遮挡眼部的方式伪装、通过佩戴面具的方式伪装。
在本发明的至少一个实施例中，所述初始图片可以是包含人物面部的照片等。
所述初始图片可以从历史检测数据中获取，另外，由于本实施例可以利用较少的数据进行模型的训练，因此也可以由相关人员进行数据的模拟，得到模拟视频，并从所述模拟视频中截取带有所述预设类型的伪装的图片作为所述初始图片，本发明不限制。
在本实施例中，所述伪装检测指令可以由指定人员进行触发，如风险管控人员、安全防护人员等。
在本发明的至少一个实施例中，所述对所述初始图片进行特征截取，得到样本数据包括：
将所述初始图片中的每张图片输入至YOLOv3网络中进行识别，得到每张图片的头像区域；
以每张图片的头像区域截取对应的每张图片，得到每个子样本；
整合得到的子样本，得到所述样本数据。
通过上述实施方式，由于YOLOv3网络本身具备较高的稳定精度，因此，以YOLOv3网络进行头像特征的截取，能够得到准确的样本数据，以供后续训练模型使用。同时，由于首先进行了头像特征的截取，也提高了后续模型训练的速度及准确度。
S11，对所述样本数据进行颜色空间转换，得到转换数据。
需要说明的是，本发明对进行颜色空间转换的方式不做限制。
例如：可以采用OpenCV3等工具执行所述颜色空间转换，在此不赘述。
在本实施例中，得到的转换数据将用于后续的模型训练，转换后的数据能够满足不同模型对于输入数据的格式的需要。
在本实施例中，所述转换数据可以包括：YCrCb(优化彩色视频信号)图及HSV(Hue，Saturation，Value)图。
S12，对所述转换数据进行拆分，得到多个小批量(mini batch)数据。
可以理解的是，对于机器学习来说，每次更新参数时，都需要一定数量的样本，那么mini batch就是样本的一个子集。
而由于模型在训练过程中不断迭代参数，需要利用所有的样本计算损失函数，那么随着数据集越来越大，会使得模型训练的速度越来越慢，因此需要将所述转换数据拆分为多个小批量数据进行训练，由于采用小批量数据提升了计算的效率，模型的训练速度也会随之提高。
具体地，可以利用人工的方式对所述转换数据进行拆分，也可以利用指定工具对所述转换数据进行拆分，如TensorFlow和pytorch的baotch等，本发明对拆分所述转换数据的方式不做限制。
S13，以所述多个小批量数据训练深度树学习框架(Deep Tree Network，DTN)，得到初始模型。
在本实施例中，所述深度学习框架包括卷积残差单元、有监督的特征学习层及判别单元，其中，所述卷积残差单元还包括顶部卷积残差单元、中部卷积残差单元及根部卷积残差单元，所述判别单元与所述卷积残差单元在结构上相连，每个卷积残差单元下连接一个判别单元，所述有监督的特征学习层位于树结构的根部。
具体地，所述卷积残差单元用于特征提取；所述判别单元用于让每次层级过滤与提取到的特征做左右树节点的距离最大化，非监督的学习方式让每一分支特征最大化，且每一节点的特征更细化；所述有监督的特征学习层用于让标签对最终叶节点末端的提取特征做监督性学习。
本实施例采用的是非监督学习与监督学习结合的神经网络结构，通过对深度树学习框架地不断学习与训练，每次在训练判别单元时都可以提高分类任务的针对程度，每次在训练卷积残差单元及有监督的特征学习层时都可以有监督地提高模型提取特征的能力，因此，最终得到的网络模型将具有较高的泛化能力，进而兼容新型攻击样本的分类，减少了新型攻击样本对现有模型的负面效果，实现了对新型攻击的零样本学习。
例如：对于新型伪装(如：各种妆容的伪装、各种类型的眼睛的佩戴等)，即便在训练时没有新型伪装的样本，也可以通过不断地训练，使模型的泛化能力不断增强，最终得到的网络模型也可以实现对该新型伪装的检测。
在本实施例中，当需要对新伪装类别的样本进行训练时，只需要在对应的旧节点上加入判别单元及卷积残差单元，采用非监督学习与监督学习结合的神经网络结构，有效地延长了模型的适用寿命。
在本发明的至少一个实施例中，所述以所述多个小批量数据训练深度树学习框架，得到初始模型包括：
从所述多个小批量数据中获取数据对所述深度学习框架进行第一预设次数的迭代，得到第一网络；
从所述第一网络中获取顶部卷积残差单元及中部卷积残差单元，并从所述多个小批量数据中获取数据对所述顶部卷积残差单元及所述中部卷积残差单元进行第二预设次数的迭代，得到第二网络；
从所述第二网络中获取根部卷积残差单元，并从所述多个小批量数据中获取数据对所述根部卷积残差单元进行第三预设次数的迭代，得到第三网络；
利用所述多个小批量数据中的未使用数据训练所述第三网络；
获取所述第三网络的目标损失函数，直至所述目标损失函数的取值达到收敛，停止训练，得到所述初始模型。
例如：所述第一预设次数为6次，所述第二预设次数为5次，所述第三预设次数为10次。
需要说明的是，靠近树顶端的所述顶部卷积残差单元及所述中部卷积残差单元的特征不同细分，而靠近树底端的根部卷积残差单元的特征需要细分，因此，所述顶部卷积残差单元及所述中部卷积残差单元的迭代次数可以小于所述根部卷积残差单元的迭代次数。
进一步地，所述深度树学习框架包括至少一个有监督的特征学习层及至少一个判别单元，所述基于人工智能的伪装检测方法还包括：
获取所述至少一个判别单元对应的判别损失，及获取所述至少一个有监督的特征学习层对应的学习损失；
确定所述多个小批量数据对应的唯一性损失，及确定所述深度树学习框架的深度图损失；
以所述判别损失、所述学习损失、所述唯一性损失及所述深度图损失构建所述目标损失函数。
通过上述实施方式，最终得到的目标损失函数同时融合了判别单元、有监督的特征学习层的损失，针对数据的唯一性损失以及针对网络架构的深度图的损失，使最终训练得到的网络模型的准确度更高。
在本发明的至少一个实施例中，采用矢量特质压缩降低了模型的运算量。
具体地，在每个判别单元中包括一个1*1卷积结构，该1*1卷积结构用于进行矢量特质压缩。
例如，对于顶部判别单元，1*1卷积的输入是(256，256，10)，输出是(32，32，10)，则模型的矢量运算降低，对于下一级判别单元，1*1卷积的输入是(32，32，10)，输出是(16，16，5)，模型的矢量运算再次下降，直接减少了协方差矩阵的运算量。
S14，获取验证集，将所述验证集输入至所述初始模型，并获取所述初始模型的输出数据。
在本实施例中，可以从所述多个小批量数据中获取未被用于训练模型的数据构建所述验证集。
所述验证集中的数据未被用于训练模型，以保证验证结果的有效性。
S15，采用t-SNE算法验证所述输出数据，得到验证结果。
其中，t-SNE算法是一种数据可视化算法，通过t-SNE算法能够通过视觉直观地验证模型等的有效性，并对模型效果进行评估。
S16，当所述验证结果满足配置条件时，停止训练，并将所述初始模型确定为目标模型。
在本实施例中，通过t-SNE算法进行验证，输出的验证结果中显示特征的分离度及密集度，以进一步确定是否满足所述配置条件。
具体地，所述基于人工智能的伪装检测方法还包括：
采用t-SNE算法处理所述输出数据，得到二维特征图；
从所述二维特征图中获取特征的分离度及密集度；
当所述分离度大于或者等于配置分离度，且所述密集度大于或者等于配置密集度时，确定所述验证结果满足所述配置条件。
其中，所述配置分离度及所述配置密集度可以根据实际需求进行自定义配置。
S17，获取待检测数据，将所述待检测数据输入至所述目标模型，并获取所述目标模型的输出作为伪装检测结果。
其中，所述待检测数据可以由用户根据检测需求上传，也可以从指定采集设备中定时获取。
通过上述实施方式，能够通过训练的目标模型实现自动的伪装检测，由于模型的泛化能力较强，因此检测时的覆盖面也更广，进而实现对多种伪装的有效检测，检测效果更佳。
在本发明的至少一个实施例中，在输出所述伪装检测结果后，所述基于人工智能的伪装检测方法还包括：
从所述伪装检测结果中获取风险预测概率；
当所述风险预测概率大于或者等于配置概率时，确定所述待检测数据存在伪装风险；
根据所述伪装检测结果生成风险提示信息；
将所述风险提示信息发送至指定终端设备。
其中，为了保证检测效果，可以将所述配置概率设置为99％等较高的数值，具体取值可以根据实际检测需求进行设置。
通过上述实施方式，能够在检测到伪装风险时发出预警，以提示相关人员尽快采取应急措施以及时止损。
在本发明的至少一个实施例中，所述基于人工智能的伪装检测方法还包括：
响应于接收到的分析指令，从所述伪装检测结果中获取深度图；
解析所述分析指令的方法体，得到所述分析指令所携带的数据；
获取预设标签，以所述预设标签在所述分析指令所携带的数据中进行匹配；
将匹配的数据确定为目标用户；
发送所述深度图至所述目标用户的终端设备。
其中，所述分析指令可以由相关分析人员触发，所述深度图可以用于进行深度解析，并确定特征提取的表现。
在本实施例中，将深度图反馈给负责进行深度分析的目标用户，能够辅助所述目标用户对模型的效果及特征的表现等进行进一步地分析处理，以实现数据的多可用性。
需要说明的是，为了保证数据的安全性，并避免数据被恶意篡改，可以将所述伪装检测结果保存至区块链。
由以上技术方案可以看出，本发明能够响应于伪装检测指令，获取带有预设类型的伪装的初始图片，并对所述初始图片进行特征截取，得到样本数据，对所述样本数据进行颜色空间转换，得到转换数据，对所述转换数据进行拆分，得到多个小批量数据，以所述多个小批量数据训练深度树学习框架，得到初始模型，由于模型具有较高的泛化能力，进而兼容新型攻击样本的分类，减少了新型攻击样本对现有模型的负面效果，实现了对新型攻击的零样本学习，获取验证集，将所述验证集输入至所述初始模型，并获取所述初始模型的输出数据，采用t-SNE算法验证所述输出数据，得到验证结果，当所述验证结果满足配置条件时，停止训练，并将所述初始模型确定为目标模型，通过对模型的验证，使最终得到的模型效果更佳，获取待检测数据，将所述待检测数据输入至所述目标模型，并获取所述目标模型的输出作为伪装检测结果，进而通过训练的目标模型实现自动的伪装检测，由于模型的泛化能力较强，因此检测时的覆盖面也更广，进而实现对多种伪装的有效检测，检测效果更佳。
如图2所示，是本发明基于人工智能的伪装检测装置的较佳实施例的功能模块图。所述基于人工智能的伪装检测装置11包括截取单元110、转换单元111、拆分单元112、训练单元113、输入单元114、验证单元115、确定单元116。本发明所称的模块/单元是指一种能够被处理器13所执行，并且能够完成固定功能的一系列计算机程序段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
响应于伪装检测指令，截取单元110获取带有预设类型的伪装的初始图片，并对所述初始图片进行特征截取，得到样本数据。
在本实施例中，所述伪装是指利用化妆、面具、口罩等方式掩饰人物原本的面部特征的攻击方式，所述伪装广泛存在于各个领域，给各个领域带来了一定的安全隐患。
其中，所述预设类型的伪装包括，但不限于以下一种或者多种类型的组合：
通过打印照片的方式伪装、通过视频回放的方式伪装、采用纸张等类型的遮挡物掩盖面部的方式伪装、通过佩戴口罩的方式伪装、通过妆容伪装、通过敷面膜的方式伪装、通过遮挡眼部的方式伪装、通过佩戴面具的方式伪装。
在本发明的至少一个实施例中，所述初始图片可以是包含人物面部的照片等。
所述初始图片可以从历史检测数据中获取，另外，由于本实施例可以利用较少的数据进行模型的训练，因此也可以由相关人员进行数据的模拟，得到模拟视频，并从所述模拟视频中截取带有所述预设类型的伪装的图片作为所述初始图片，本发明不限制。
在本实施例中，所述伪装检测指令可以由指定人员进行触发，如风险管控人员、安全防护人员等。
在本发明的至少一个实施例中，所述截取单元110对所述初始图片进行特征截取，得到样本数据包括：
将所述初始图片中的每张图片输入至YOLOv3网络中进行识别，得到每张图片的头像区域；
以每张图片的头像区域截取对应的每张图片，得到每个子样本；
整合得到的子样本，得到所述样本数据。
通过上述实施方式，由于YOLOv3网络本身具备较高的稳定精度，因此，以YOLOv3网络进行头像特征的截取，能够得到准确的样本数据，以供后续训练模型使用。同时，由于首先进行了头像特征的截取，也提高了后续模型训练的速度及准确度。
转换单元111对所述样本数据进行颜色空间转换，得到转换数据。
需要说明的是，本发明对进行颜色空间转换的方式不做限制。
例如：可以采用OpenCV3等工具执行所述颜色空间转换，在此不赘述。
在本实施例中，得到的转换数据将用于后续的模型训练，转换后的数据能够满足不同模型对于输入数据的格式的需要。
在本实施例中，所述转换数据可以包括：YCrCb(优化彩色视频信号)图及HSV(Hue，Saturation，Value)图。
拆分单元112对所述转换数据进行拆分，得到多个小批量(mini batch)数据。
可以理解的是，对于机器学习来说，每次更新参数时，都需要一定数量的样本，那么mini batch就是样本的一个子集。
而由于模型在训练过程中不断迭代参数，需要利用所有的样本计算损失函数，那么随着数据集越来越大，会使得模型训练的速度越来越慢，因此需要将所述转换数据拆分为多个小批量数据进行训练，由于采用小批量数据提升了计算的效率，模型的训练速度也会随之提高。
具体地，可以利用人工的方式对所述转换数据进行拆分，也可以利用指定工具对所述转换数据进行拆分，如TensorFlow和pytorch的baotch等，本发明对拆分所述转换数据的方式不做限制。
训练单元113以所述多个小批量数据训练深度树学习框架(Deep Tree Network，DTN)，得到初始模型。
在本实施例中，所述深度学习框架包括卷积残差单元、有监督的特征学习层及判别单元，其中，所述卷积残差单元还包括顶部卷积残差单元、中部卷积残差单元及根部卷积残差单元，所述判别单元与所述卷积残差单元在结构上相连，每个卷积残差单元下连接一个判别单元，所述有监督的特征学习层位于树结构的根部。
具体地，所述卷积残差单元用于特征提取；所述判别单元用于让每次层级过滤与提取到的特征做左右树节点的距离最大化，非监督的学习方式让每一分支特征最大化，且每一节点的特征更细化；所述有监督的特征学习层用于让标签对最终叶节点末端的提取特征做监督性学习。
本实施例采用的是非监督学习与监督学习结合的神经网络结构，通过对深度树学习框架地不断学习与训练，每次在训练判别单元时都可以提高分类任务的针对程度，每次在训练卷积残差单元及有监督的特征学习层时都可以有监督地提高模型提取特征的能力，因此，最终得到的网络模型将具有较高的泛化能力，进而兼容新型攻击样本的分类，减少了新型攻击样本对现有模型的负面效果，实现了对新型攻击的零样本学习。
例如：对于新型伪装(如：各种妆容的伪装、各种类型的眼睛的佩戴等)，即便在训练时没有新型伪装的样本，也可以通过不断地训练，使模型的泛化能力不断增强，最终得到的网络模型也可以实现对该新型伪装的检测。
在本实施例中，当需要对新伪装类别的样本进行训练时，只需要在对应的旧节点上加入判别单元及卷积残差单元，采用非监督学习与监督学习结合的神经网络结构，有效地延长了模型的适用寿命。
在本发明的至少一个实施例中，所述训练单元113以所述多个小批量数据训练深度树学习框架，得到初始模型包括：
从所述多个小批量数据中获取数据对所述深度学习框架进行第一预设次数的迭代，得到第一网络；
从所述第一网络中获取顶部卷积残差单元及中部卷积残差单元，并从所述多个小批量数据中获取数据对所述顶部卷积残差单元及所述中部卷积残差单元进行第二预设次数的迭代，得到第二网络；
从所述第二网络中获取根部卷积残差单元，并从所述多个小批量数据中获取数据对所述根部卷积残差单元进行第三预设次数的迭代，得到第三网络；
利用所述多个小批量数据中的未使用数据训练所述第三网络；
获取所述第三网络的目标损失函数，直至所述目标损失函数的取值达到收敛，停止训练，得到所述初始模型。
例如：所述第一预设次数为6次，所述第二预设次数为5次，所述第三预设次数为10次。
需要说明的是，靠近树顶端的所述顶部卷积残差单元及所述中部卷积残差单元的特征不同细分，而靠近树底端的根部卷积残差单元的特征需要细分，因此，所述顶部卷积残差单元及所述中部卷积残差单元的迭代次数可以小于所述根部卷积残差单元的迭代次数。
进一步地，所述深度树学习框架包括至少一个有监督的特征学习层及至少一个判别单元，获取所述至少一个判别单元对应的判别损失，及获取所述至少一个有监督的特征学习层对应的学习损失；
确定所述多个小批量数据对应的唯一性损失，及确定所述深度树学习框架的深度图损失；
以所述判别损失、所述学习损失、所述唯一性损失及所述深度图损失构建所述目标损失函数。
通过上述实施方式，最终得到的目标损失函数同时融合了判别单元、有监督的特征学习层的损失，针对数据的唯一性损失以及针对网络架构的深度图的损失，使最终训练得到的网络模型的准确度更高。
在本发明的至少一个实施例中，采用矢量特质压缩降低了模型的运算量。
具体地，在每个判别单元中包括一个1*1卷积结构，该1*1卷积结构用于进行矢量特质压缩。
例如，对于顶部判别单元，1*1卷积的输入是(256，256，10)，输出是(32，32，10)，则模型的矢量运算降低，对于下一级判别单元，1*1卷积的输入是(32，32，10)，输出是(16，16，5)，模型的矢量运算再次下降，直接减少了协方差矩阵的运算量。
输入单元114获取验证集，将所述验证集输入至所述初始模型，并获取所述初始模型的输出数据。
在本实施例中，可以从所述多个小批量数据中获取未被用于训练模型的数据构建所述验证集。
所述验证集中的数据未被用于训练模型，以保证验证结果的有效性。
验证单元115采用t-SNE算法验证所述输出数据，得到验证结果。
其中，t-SNE算法是一种数据可视化算法，通过t-SNE算法能够通过视觉直观地验证模型等的有效性，并对模型效果进行评估。
当所述验证结果满足配置条件时，停止训练，确定单元116将所述初始模型确定为目标模型。
在本实施例中，通过t-SNE算法进行验证，输出的验证结果中显示特征的分离度及密集度，以进一步确定是否满足所述配置条件。
具体地，采用t-SNE算法处理所述输出数据，得到二维特征图；
从所述二维特征图中获取特征的分离度及密集度；
当所述分离度大于或者等于配置分离度，且所述密集度大于或者等于配置密集度时，确定所述验证结果满足所述配置条件。
其中，所述配置分离度及所述配置密集度可以根据实际需求进行自定义配置。
所述输入单元114获取待检测数据，将所述待检测数据输入至所述目标模型，并获取所述目标模型的输出作为伪装检测结果。
其中，所述待检测数据可以由用户根据检测需求上传，也可以从指定采集设备中定时获取。
通过上述实施方式，能够通过训练的目标模型实现自动的伪装检测，由于模型的泛化能力较强，因此检测时的覆盖面也更广，进而实现对多种伪装的有效检测，检测效果更佳。
在本发明的至少一个实施例中，在输出所述伪装检测结果后，从所述伪装检测结果中获取风险预测概率；
当所述风险预测概率大于或者等于配置概率时，确定所述待检测数据存在伪装风险；
根据所述伪装检测结果生成风险提示信息；
将所述风险提示信息发送至指定终端设备。
其中，为了保证检测效果，可以将所述配置概率设置为99％等较高的数值，具体取值可以根据实际检测需求进行设置。
通过上述实施方式，能够在检测到伪装风险时发出预警，以提示相关人员尽快采取应急措施以及时止损。
在本发明的至少一个实施例中，响应于接收到的分析指令，从所述伪装检测结果中获取深度图；
解析所述分析指令的方法体，得到所述分析指令所携带的数据；
获取预设标签，以所述预设标签在所述分析指令所携带的数据中进行匹配；
将匹配的数据确定为目标用户；
发送所述深度图至所述目标用户的终端设备。
其中，所述分析指令可以由相关分析人员触发，所述深度图可以用于进行深度解析，并确定特征提取的表现。
在本实施例中，将深度图反馈给负责进行深度分析的目标用户，能够辅助所述目标用户对模型的效果及特征的表现等进行进一步地分析处理，以实现数据的多可用性。
需要说明的是，为了保证数据的安全性，并避免数据被恶意篡改，可以将所述伪装检测结果保存至区块链。
由以上技术方案可以看出，本发明能够响应于伪装检测指令，获取带有预设类型的伪装的初始图片，并对所述初始图片进行特征截取，得到样本数据，对所述样本数据进行颜色空间转换，得到转换数据，对所述转换数据进行拆分，得到多个小批量数据，以所述多个小批量数据训练深度树学习框架，得到初始模型，由于模型具有较高的泛化能力，进而兼容新型攻击样本的分类，减少了新型攻击样本对现有模型的负面效果，实现了对新型攻击的零样本学习，获取验证集，将所述验证集输入至所述初始模型，并获取所述初始模型的输出数据，采用t-SNE算法验证所述输出数据，得到验证结果，当所述验证结果满足配置条件时，停止训练，并将所述初始模型确定为目标模型，通过对模型的验证，使最终得到的模型效果更佳，获取待检测数据，将所述待检测数据输入至所述目标模型，并获取所述目标模型的输出作为伪装检测结果，进而通过训练的目标模型实现自动的伪装检测，由于模型的泛化能力较强，因此检测时的覆盖面也更广，进而实现对多种伪装的有效检测，检测效果更佳。
如图3所示，是本发明实现基于人工智能的伪装检测方法的较佳实施例的电子设备的结构示意图。
所述电子设备1可以包括存储器12、处理器13和总线，还可以包括存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如基于人工智能的伪装检测程序。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，所述电子设备1既可以是总线型结构，也可以是星形结构，所述电子设备1还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置，例如所述电子设备1还可以包括输入输出设备、网络接入设备等。
需要说明的是，所述电子设备1仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。
其中，存储器12至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。存储器12在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地，存储器12还可以既包括电子设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于人工智能的伪装检测程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是所述电子设备1的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备1的各个部件，通过运行或执行存储在所述存储器12内的程序或者模块(例如执行基于人工智能的伪装检测程序等)，以及调用存储在所述存储器12内的数据，以执行电子设备1的各种功能和处理数据。
所述处理器13执行所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个基于人工智能的伪装检测方法实施例中的步骤，例如图1所示的步骤。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述电子设备1中的执行过程。例如，所述计算机程序可以被分割成截取单元110、转换单元111、拆分单元112、训练单元113、输入单元114、验证单元115、确定单元116。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、计算机设备，或者网络设备等)或处理器(processor)执行本发明各个实施例所述基于人工智能的伪装检测方法的部分。
所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指示相关的硬件设备来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
进一步地，计算机可用存储介质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、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的目标性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，在图3中仅用一根箭头表示，但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器13逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
图3仅示出了具有组件12-13的电子设备1，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
结合图1，所述电子设备1中的所述存储器12存储多个指令以实现一种基于人工智能的伪装检测方法，所述处理器13可执行所述多个指令从而实现：
响应于伪装检测指令，获取带有预设类型的伪装的初始图片，并对所述初始图片进行特征截取，得到样本数据；
对所述样本数据进行颜色空间转换，得到转换数据；
对所述转换数据进行拆分，得到多个小批量数据；
以所述多个小批量数据训练深度树学习框架，得到初始模型；
获取验证集，将所述验证集输入至所述初始模型，并获取所述初始模型的输出数据；
采用t-SNE算法验证所述输出数据，得到验证结果；
当所述验证结果满足配置条件时，停止训练，并将所述初始模型确定为目标模型；
获取待检测数据，将所述待检测数据输入至所述目标模型，并获取所述目标模型的输出作为伪装检测结果。
具体地，所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (9)

1.一种基于人工智能的伪装检测方法，其特征在于，所述基于人工智能的伪装检测方法包括：
响应于伪装检测指令，获取带有预设类型的伪装的初始图片，并对所述初始图片进行特征截取，得到样本数据；
对所述样本数据进行颜色空间转换，得到转换数据；
对所述转换数据进行拆分，得到多个小批量数据；
以所述多个小批量数据训练深度树学习框架，得到初始模型，包括：从所述多个小批量数据中获取数据对所述深度树学习框架进行第一预设次数的迭代，得到第一网络；从所述第一网络中获取顶部卷积残差单元及中部卷积残差单元，并从所述多个小批量数据中获取数据对所述顶部卷积残差单元及所述中部卷积残差单元进行第二预设次数的迭代，得到第二网络；从所述第二网络中获取根部卷积残差单元，并从所述多个小批量数据中获取数据对所述根部卷积残差单元进行第三预设次数的迭代，得到第三网络；利用所述多个小批量数据中的未使用数据训练所述第三网络；获取所述第三网络的目标损失函数，直至所述目标损失函数的取值达到收敛，停止训练，得到所述初始模型，所述深度树学习框架包括卷积残差单元、有监督的特征学习层及判别单元，其中，所述卷积残差单元还包括所述顶部卷积残差单元、所述中部卷积残差单元及所述根部卷积残差单元，所述判别单元与所述卷积残差单元在结构上相连，每个卷积残差单元下连接一个判别单元，所述有监督的特征学习层位于树结构的根部；
获取验证集，将所述验证集输入至所述初始模型，并获取所述初始模型的输出数据；
采用t-SNE算法验证所述输出数据，得到验证结果；
当所述验证结果满足配置条件时，停止训练，并将所述初始模型确定为目标模型；
获取待检测数据，将所述待检测数据输入至所述目标模型，并获取所述目标模型的输出作为伪装检测结果。
2.如权利要求1所述的基于人工智能的伪装检测方法，其特征在于，所述对所述初始图片进行特征截取，得到样本数据包括：
将所述初始图片中的每张图片输入至YOLOv3网络中进行识别，得到每张图片的头像区域；
以每张图片的头像区域截取对应的每张图片，得到每个子样本；
整合得到的子样本，得到所述样本数据。
3.如权利要求1所述的基于人工智能的伪装检测方法，其特征在于，所述深度树学习框架包括至少一个有监督的特征学习层及至少一个判别单元，所述基于人工智能的伪装检测方法还包括：
获取所述至少一个判别单元对应的判别损失，及获取所述至少一个有监督的特征学习层对应的学习损失；
确定所述多个小批量数据对应的唯一性损失，及确定所述深度树学习框架的深度图损失；
以所述判别损失、所述学习损失、所述唯一性损失及所述深度图损失构建所述目标损失函数。
4.如权利要求1所述的基于人工智能的伪装检测方法，其特征在于，所述基于人工智能的伪装检测方法还包括：
采用t-SNE算法处理所述输出数据，得到二维特征图；
从所述二维特征图中获取特征的分离度及密集度；
当所述分离度大于或者等于配置分离度，且所述密集度大于或者等于配置密集度时，确定所述验证结果满足所述配置条件。
5.如权利要求1所述的基于人工智能的伪装检测方法，其特征在于，在输出所述伪装检测结果后，所述基于人工智能的伪装检测方法还包括：
从所述伪装检测结果中获取风险预测概率；
当所述风险预测概率大于或者等于配置概率时，确定所述待检测数据存在伪装风险；
根据所述伪装检测结果生成风险提示信息；
将所述风险提示信息发送至指定终端设备。
6.如权利要求1所述的基于人工智能的伪装检测方法，其特征在于，所述基于人工智能的伪装检测方法还包括：
响应于接收到的分析指令，从所述伪装检测结果中获取深度图；
解析所述分析指令的方法体，得到所述分析指令所携带的数据；
获取预设标签，以所述预设标签在所述分析指令所携带的数据中进行匹配；
将匹配的数据确定为目标用户；
发送所述深度图至所述目标用户的终端设备。
7.一种基于人工智能的伪装检测装置，其特征在于，所述基于人工智能的伪装检测装置包括：
截取单元，用于响应于伪装检测指令，获取带有预设类型的伪装的初始图片，并对所述初始图片进行特征截取，得到样本数据；
转换单元，用于对所述样本数据进行颜色空间转换，得到转换数据；
拆分单元，用于对所述转换数据进行拆分，得到多个小批量数据；
训练单元，用于以所述多个小批量数据训练深度树学习框架，得到初始模型，包括：从所述多个小批量数据中获取数据对所述深度树学习框架进行第一预设次数的迭代，得到第一网络；从所述第一网络中获取顶部卷积残差单元及中部卷积残差单元，并从所述多个小批量数据中获取数据对所述顶部卷积残差单元及所述中部卷积残差单元进行第二预设次数的迭代，得到第二网络；从所述第二网络中获取根部卷积残差单元，并从所述多个小批量数据中获取数据对所述根部卷积残差单元进行第三预设次数的迭代，得到第三网络；利用所述多个小批量数据中的未使用数据训练所述第三网络；获取所述第三网络的目标损失函数，直至所述目标损失函数的取值达到收敛，停止训练，得到所述初始模型，所述深度树学习框架包括卷积残差单元、有监督的特征学习层及判别单元，其中，所述卷积残差单元还包括所述顶部卷积残差单元、所述中部卷积残差单元及所述根部卷积残差单元，所述判别单元与所述卷积残差单元在结构上相连，每个卷积残差单元下连接一个判别单元，所述有监督的特征学习层位于树结构的根部；
输入单元，用于获取验证集，将所述验证集输入至所述初始模型，并获取所述初始模型的输出数据；
验证单元，用于采用t-SNE算法验证所述输出数据，得到验证结果；
确定单元，用于当所述验证结果满足配置条件时，停止训练，并将所述初始模型确定为目标模型；
所述输入单元，还用于获取待检测数据，将所述待检测数据输入至所述目标模型，并获取所述目标模型的输出作为伪装检测结果。
8.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现如权利要求1至6中任意一项所述的基于人工智能的伪装检测方法。
9.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现如权利要求1至6中任意一项所述的基于人工智能的伪装检测方法。
CN202010955549.1A 2020-09-11 2020-09-11 基于人工智能的伪装检测方法、装置、设备及介质 Active CN112101192B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010955549.1A CN112101192B (zh) 2020-09-11 2020-09-11 基于人工智能的伪装检测方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010955549.1A CN112101192B (zh) 2020-09-11 2020-09-11 基于人工智能的伪装检测方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN112101192A CN112101192A (zh) 2020-12-18
CN112101192B true CN112101192B (zh) 2021-08-13

Family

ID=73751456

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010955549.1A Active CN112101192B (zh) 2020-09-11 2020-09-11 基于人工智能的伪装检测方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN112101192B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112733744B (zh) * 2021-01-14 2022-05-24 北京航空航天大学 一种基于边缘协同监督与多级约束的伪装物体检测模型

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5652963A (en) * 1995-10-02 1997-08-05 Davison; George M. Camouflage and protective headgear
CN103324954B (zh) * 2013-05-31 2017-02-08 中国科学院计算技术研究所 一种基于树结构的图像分类方法及其系统
CN108416751A (zh) * 2018-03-08 2018-08-17 深圳市唯特视科技有限公司 一种基于深度辅助全分辨率网络的新视点图像合成方法
CN110070010B (zh) * 2019-04-10 2022-06-14 武汉大学 一种基于行人重识别的人脸属性关联方法
CN110443162B (zh) * 2019-07-19 2022-08-30 南京邮电大学 一种用于伪装人脸识别的两段式训练方法
CN111178432B (zh) * 2019-12-30 2023-06-06 武汉科技大学 多分支神经网络模型的弱监督细粒度图像分类方法

Also Published As

Publication number Publication date
CN112101192A (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
US20190034702A1 (en) Living body detecting method and apparatus, device and storage medium
CN112507936B (zh) 图像信息审核方法、装置、电子设备及可读存储介质
WO2022105179A1 (zh) 生物特征图像识别方法、装置、电子设备及可读存储介质
CN112507922A (zh) 人脸活体检测方法、装置、电子设备及存储介质
CN112651342B (zh) 人脸识别方法、装置、电子设备及存储介质
CN111898538B (zh) 证件鉴伪方法、装置、电子设备及存储介质
CN112231586A (zh) 基于迁移学习的课程推荐方法、装置、设备及介质
CN113449725B (zh) 对象分类方法、装置、设备及存储介质
CN113705469B (zh) 人脸识别方法、装置、电子设备及计算机可读存储介质
CN111860377A (zh) 基于人工智能的直播方法、装置、电子设备及存储介质
CN113887438B (zh) 人脸图像的水印检测方法、装置、设备及介质
CN113705462A (zh) 人脸识别方法、装置、电子设备及计算机可读存储介质
CN115186303B (zh) 一种基于大数据云平台的金融签章安全管理方法及系统
CN109784394A (zh) 一种翻拍图像的识别方法、系统及终端设备
CN111985504A (zh) 基于人工智能的翻拍检测方法、装置、设备及介质
US20230410222A1 (en) Information processing apparatus, control method, and program
CN112101192B (zh) 基于人工智能的伪装检测方法、装置、设备及介质
CN114639152A (zh) 基于人脸识别的多模态语音交互方法、装置、设备及介质
CN112101191A (zh) 基于边框注意力网络的表情识别方法、装置、设备及介质
CN112528265A (zh) 基于在线会议的身份识别方法、装置、设备及介质
CN112183347A (zh) 基于深度空间梯度的活体检测方法、装置、设备及介质
CN112561891B (zh) 图像质量检测方法、装置、设备及存储介质
CN113255456B (zh) 非主动活体检测方法、装置、电子设备及存储介质
CN113920590A (zh) 活体检测方法、装置、设备及可读存储介质
CN113888760A (zh) 基于软件应用的违规信息监控方法、装置、设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant