CN112767223B - 一种图像安全取证模型生成方法、取证方法及电子设备 - Google Patents

一种图像安全取证模型生成方法、取证方法及电子设备 Download PDF

Info

Publication number
CN112767223B
CN112767223B CN202110043628.XA CN202110043628A CN112767223B CN 112767223 B CN112767223 B CN 112767223B CN 202110043628 A CN202110043628 A CN 202110043628A CN 112767223 B CN112767223 B CN 112767223B
Authority
CN
China
Prior art keywords
evidence obtaining
image security
model
obtaining model
convolution
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
CN202110043628.XA
Other languages
English (en)
Other versions
CN112767223A (zh
Inventor
谭舜泉
陈奕邻
李斌
黄继武
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.)
Shenzhen University
Original Assignee
Shenzhen University
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 Shenzhen University filed Critical Shenzhen University
Priority to CN202110043628.XA priority Critical patent/CN112767223B/zh
Publication of CN112767223A publication Critical patent/CN112767223A/zh
Application granted granted Critical
Publication of CN112767223B publication Critical patent/CN112767223B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/0021—Image watermarking
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

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

Abstract

本发明公开了一种图像安全取证模型生成方法、取证方法及电子设备，包括根据预先建立的训练数据集对预设基础图像安全取证模型进行训练，生成第一图像安全取证模型；其中，训练数据集中的数据为经过篡改的图像；对第一图像安全取证模型的卷积层进行张量分解，生成第二图像安全取证模型；根据第一图像安全取证模型以及训练数据集对第二图像安全取证模型进行训练，生成第三图像安全取证模型。本发明通过对图像安全取证模型的卷积层进行张量分解，将参数量过多的卷积层分解为参数量较少的卷积层，生成的图像安全取证模型在保证性能的基础上极大的减少了参数量和运算量，适用于运行资源和存储资源有限且对时效性有较高要求的移动端。

Description

一种图像安全取证模型生成方法、取证方法及电子设备
技术领域
本发明涉及安全取证技术领域，具体涉及一种图像安全取证模型生成方法、取证方法及电子设备。
背景技术
安全取证是多媒体信息安全技术的一个分支，利用了人类感官系统对于冗余信息不敏感的特点，多媒体篡改引入的失真往往存在于冗余的多媒体高频区域。目前，对于不同的多媒体篡改方式，较常用的是利用基于深度神经网络模型进行安全取证。
随着移动硬件与移动应用的普及，亟需可以应用于移动端的安全取证模型。但移动端的运行资源和存储资源有限且对时效性有较高要求，而传统图像安全取证模型具有大参数、大运算量、高能耗和高延迟的特点，传统图像安全取证模型不适用于移动端。
因此，现有技术还有待于改进和发展。
发明内容
针对现有技术的上述缺陷，本发明提供一种图像安全取证模型生成方法、取证方法及电子设备，旨在解决现有图像安全取证模型具有大参数、大运算量、高能耗和高延迟的特点，不适用于移动端的问题。
本发明解决技术问题所采用的技术方案如下：
一种图像安全取证模型生成方法，其中，包括：
根据预先建立的训练数据集对预设基础图像安全取证模型进行训练，生成第一图像安全取证模型；其中，所述训练数据集中的数据为经过篡改的图像；
对所述第一图像安全取证模型的卷积层进行张量分解，生成第二图像安全取证模型；
根据所述第一图像安全取证模型以及所述训练数据集对所述第二图像安全取证模型进行训练，生成第三图像安全取证模型。
所述的图像安全取证模型生成方法，其中，所述基础图像安全取证模型为多个，所述根据预先建立的训练数据集对预设基础图像安全取证模型进行训练，生成第一图像安全取证模型的步骤包括：
根据预先建立的训练数据集对各个所述基础图像安全取证模型进行训练，生成多个候选图像安全取证模型；
获取各个所述候选图像安全取证模型对应的模型数据，根据所述模型数据从多个所述候选图像安全取证模型中确定第一图像安全取证模型。
所述的图像安全取证模型生成方法，其中，所述对所述第一图像安全取证模型的卷积层进行张量分解，生成第二图像安全取证模型的步骤包括：
对所述第一图像安全取证模型的各个卷积层的卷积核进行张量分解试验，确定各个所述卷积层的卷积核对应的目标张量分解秩；
根据所述目标张量分解秩对各个所述卷积层的卷积核进行张量分解，生成第二图像安全取证模型。
所述的图像安全取证模型生成方法，其中，所述对所述第一图像安全取证模型的各个卷积层的卷积核进行张量分解试验，确定各个所述卷积层的卷积核对应的目标张量分解秩的步骤包括：
对所述第一图像安全取证模型的各个卷积层的卷积核进行张量分解，确定各个所述卷积层的卷积核对应的模型差值；
当所述模型差值未达到预设阈值时，对各个所述卷积层的卷积核对应的初始张量分解秩按照预设规则进行处理，并继续执行对各个所述卷积层的卷积核进行张量分解确定模型差值的步骤，直至所述模型差值达到预设阈值，并将所述初始张量分解秩作为各个所述卷积层的卷积核对应的目标张量分解秩。
所述的图像安全取证模型生成方法，其中，所述对所述第一图像安全取证模型的各个卷积层的卷积核进行张量分解，确定各个所述卷积层的卷积核对应的模型差值的步骤包括：
对所述第一图像安全取证模型的各个卷积层的卷积核进行张量分解，获取张量分解后各个所述卷积层的卷积核对应的目标特征图；
根据所述目标特征图和各个所述卷积层的卷积核对应的原始特征图，确定各个所述卷积层的卷积核对应的模型差值。
所述的图像安全取证模型生成方法，其中，所述根据所述第一图像安全取证模型以及所述训练数据集对所述第二图像安全取证模型进行训练，生成第三图像安全取证模型的步骤包括：
根据所述第一图像安全取证模型对应的第一训练迭代次数，确定所述第二图像安全取证模型对应的第二训练迭代次数；
根据所述第二训练迭代次数以及所述训练数据集对所述第二图像安全取证模型进行训练，生成第三图像安全取证模型。
所述的图像安全取证模型生成方法，其中，所述根据所述第一图像安全取证模型对应的第一训练迭代次数，确定所述第二图像安全取证模型对应的第二训练迭代次数的步骤包括：
根据所述第一图像安全取证模型对应的第一浮点计算量和所述第二图像安全取证模型对应的第二浮点计算量，确定浮点计算量差异值；
根据所述浮点计算量差异值以及所述第一图像安全取证模型对应的第一训练迭代次数，确定所述第二图像安全取证模型对应的第二训练迭代次数。
一种图像安全取证方法，其中，应用于所述的图像安全取证模型生成方法生成的第三图像安全取证模型，所述图像安全取证方法包括步骤：
获取目标数据集，并将所述目标数据集输入至所述第三图像安全取证模型；
通过所述第三图像安全取证模型对所述目标数据集进行图像安全取证，以得到所述目标数据集中的篡改图像。
一种智能终端，其中，包括：处理器、与处理器通信连接的存储介质，所述存储介质适于存储多条指令；所述处理器适于调用所述存储介质中的指令，以执行实现上述所述的图像安全取证模型生成方法中的步骤，或者上述所述的图像安全取证方法中的步骤。
一种存储介质，其上存储有多条指令，其中，所述指令适于由处理器加载并执行，以执行实现上述所述的图像安全取证模型生成方法中的步骤，或者上述所述的图像安全取证方法中的步骤。
本发明的有益效果：本发明通过对第一图像安全取证模型的卷积层进行张量分解，将参数量过多的卷积层分解为参数量较少的卷积层，生成的图像安全取证模型在保证性能的基础上极大的减少了参数量和运算量，适用于运行资源和存储资源有限且对时效性有较高要求的移动端。
附图说明
图1是本发明实施例中提供的一种图像安全取证模型生成方法的一个实施例流程图；
图2是本发明实施例提供的张量分解过程的流程示意图；
图3是本发明实施例提供的一种图像安全取证方法的一个实施例流程图；
图4是本发明实施例提供的智能终端的功能原理图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供的图像安全取证模型生成方法及图像安全取证方法，可以应用于终端中。其中，终端可以但不限于是各种个人计算机、笔记本电脑、手机、平板电脑、车载电脑和便携式可穿戴设备。本发明的终端采用多核处理器。其中，终端的处理器可以为中央处理器(Central Processing Unit，CPU)，图形处理器(Graphics Processing Unit，GPU)、视频处理单元(Video Processing Unit，VPU)等中的至少一种。
示例性方法
传统图像安全取证模型具有大参数、大运算量、高能耗和高延迟的特点，而移动端的运行资源和存储资源有限且对时效性有较高要求，传统图像安全取证模型不适用于移动端。
为了解决上述问题，本发明实施例提供了一种图像安全取证模型生成方法，请参照图1，图1是本发明提供的一种图像安全取证模型生成方法的一个实施例的流程图。
在本发明的一个实施例中，所述图像安全取证模型生成方法有三个步骤：
S100、根据预先建立的训练数据集对预设基础图像安全取证模型进行训练，生成第一图像安全取证模型；其中，所述训练数据集中的数据为经过篡改的图像。
具体地，本实施例中的训练数据集是选择现有的数据集如Bossbase1.01数据集或者Bows2数据集中的图像进行隐写信息嵌入处理后获得，其中，隐写信息嵌入方式有多种，如频域隐写算法UERD和J-UNIWARD算法等。在一具体实施方式中，本实施例选择Bossbase1.01数据集和Bows2数据集的联合数据集进行处理后获得所述训练数据集。Bossbase1.01数据集和Bows2数据集各包含10000张未压缩的灰度图像，对数据集进行处理时，首先对数据集中未压缩的灰度图像进行缩小处理，将灰度图像的大小压缩到256x256；然后用75/95的指令系数对缩小后的灰度图像进行JPEG压缩处理得到压缩图像；再使用隐写信息嵌入算法UERD和J-UNIWARD算法分别对每个压缩图像进行0.2与0.4bpnzac(嵌入率单位)的隐写信息嵌入，这样每个图像可以得到8组处理后的隐写图像(即QF75-UERD-0.2，QF75-UERD-0.4，QF75-J-UNIWARD-0.2，QF75-J-UNIWARD-0.4，QF95-UERD-0.2，QF95-UERD-0.4，QF95-J-UNIWARD-0.2，QF95-J-UNIWARD-0.4)。对Bossbase1.01数据集和Bows2数据集中的图像都进行上述处理后，共可以得到80000张隐写图像，可以选择其中部分作为所述训练数据集，其余部分作为验证数据集，并利用所述训练数据集和验证数据集对预设基础图像安全取证模型进行训练，生成第一图像安全验证模型。
在一具体实施方式中，所述步骤S100具体包括：
S110、根据预先建立的训练数据集对各个所述基础图像安全取证模型进行训练，生成多个候选图像安全取证模型；
S120、获取各个所述候选图像安全取证模型对应的模型数据，根据所述模型数据从多个所述候选图像安全取证模型中确定第一图像安全取证模型。
具体地，本实施例中选取多个现有的基础图像安全取证模型，设置相应的训练迭代次数和批处理大小后，利用所述训练数据集对各个所述基础图像安全取证模型进行训练，生成多个候选图像安全取证模型；然后获取各个候选图像安全取证模型对应的模型数据即各个基础图像安全取证模型训练过程中产生的模型数据，并根据所述模型数据从多个所述候选图像安全取证模型中确定第一图像安全取证模型。
为了获得各个基础图像安全取证模型训练过程中产生的模型数据，可以将训练过程文件(tensorboard events)以可视化的方式打开，观察训练过程中产生的数据。在训练过程中，有四个数据可以反应模型的训练程度，即训练准确率(train accuracy)、训练误差(train loss)、验证准确率(validation accuracy)和验证误差(validation loss)，本实施例中的模型数据即指上述四个数据中的一个或多个。在获取模型数据后，将模型数据表现最好的候选图像安全取证模型确定为所述第一图像安全取证模型。在一具体实施例中，选取验证准确率(validation accuracy)中表现最好的候选图像安全取证模型作为第一图像安全取证模型。
S200、对所述第一图像安全取证模型的卷积层进行张量分解，生成第二图像安全取证模型。
现有的基于深度学习的基础图像安全取证模型都存在参数多、数据量大的缺点，而第一图像安全取证模型是基于现有基础图像安全取证模型训练得到，因此也存在参数多、数据量大的缺点。为了解决第一图像安全取证模型参数多、数据量大的问题，本实施例中对第一图像安全取证模型的卷积层进行张量分解，生成参数少、数据量少的第二图像安全取证模型。
第一图像安全取证模型具有多个卷积层，每个卷积层存在对应的卷积核，利用卷积核对该卷积层的输入数据(对于图片来说，可以是图片的像素点数据)进行卷积，输出数据再作为下一层卷积层的输入。卷积核在卷积运算中起了非常大的作用，卷积核的通道数越多，卷积的计算量越大。因此，本实施例中具体是对第一图像安全取证模型的各个卷积层的卷积核进行张量分解，通过减少卷积核通道数来生成计算量更小的第二图像安全取证模型。
在一具体实施方式中，所述步骤S200具体包括：
S210、对所述第一图像安全取证模型的各个卷积层的卷积核进行张量分解试验，确定各个所述卷积层的卷积核对应的目标张量分解秩；
S220、根据所述目标张量分解秩对各个所述卷积层的卷积核进行张量分解，生成第二图像安全取证模型。
为了降低第一图像安全取证模型计算量的同时不影响第一图像安全取证模型的输出结果质量，本实施例中首先对所述第一图像安全取证模型的各个卷积层的卷积核进行张量分解试验，所述张量分解试验是对所述第一图像安全取证模型中各个卷积层分别进行单独试验，也就是说，每次试验时，只对所述第一图像安全取证模型中的一个卷积层进行张量分解，在该卷积层进行张量分解时，其它卷积层保持不变，直至找到该卷积层的卷积核对应的目标张量分解秩，再确定下一个卷积层的卷积核对应的目标张量分解秩，从而确定各个所述卷积层的卷积核对应的目标张量分解秩；然后根据所述目标张量分解秩对各个所述卷积层的卷积核进行张量分解，生成计算量更小的第二图像安全取证模型。
在一具体实施方式中，所述步骤S210具体包括：
S211、对所述第一图像安全取证模型的各个卷积层的卷积核进行张量分解，确定各个所述卷积层的卷积核对应的模型差值；
S212、当所述模型差值未达到预设阈值时，对各个所述卷积层的卷积核对应的初始张量分解秩按照预设规则进行处理，并继续执行对各个卷积层的卷积核进行张量分解确定模型差值的步骤，直至所述模型差值达到预设阈值，并将所述初始张量分解秩作为各个所述卷积层的卷积核对应的目标张量分解秩。
张量分解领域中应用最多的张量分解方法是CP分解和Tucker分解，本实施例中采用Tucker分解对各个卷积层的卷积核进行张量分解，其张量分解过程如图2所示。每个卷积核本身可以被看作是一个四维张量，其表达式为：
其中，K为卷积核，X为输入，V为输出，s和t分别为输入通道数和输出通道数。
对上述四维张量进行Tucker分解可得：
其中，σr1,r2,r3,r4为分解后的核心矩阵，维度为R1×R2×R3×R4，令卷积核维度为D，则Ki r1，Kj r2，Ks r3，Kt r4分别为维度为D×R1,D×R2,s×R3,t×R4的四个因子矩阵。由于大部分情况下，卷积核的维度D一般都比较小，所以本实施例不针对卷积核维度进行分解，因而最终分解得到的结果为：
所以分解后的卷积过程如下所示，总共有三个过程：
从上述张量分解过程可以看出，利用张量分解将四维张量的卷积核分解为三个参数量更小的张量(即三个新的卷积核)，其中第一个张量的功能是把输入通道数减小，第二个核心张量的功能是提取特征，其输出通道数少于原模型的输出通道，第三个张量的功能是将输出通道数恢复，张量分解过程的关键是确定R3与R4的值，即张量分解秩的确定。
本实施例在确定目标张量分解秩时，首先将各个卷积层的卷积核对应的初始张量分解秩R3和R4分别设置为各个卷积层的卷积核的输入通道和输出通道，然后对第一图像安全取证模型的各个卷积层的卷积核进行张量分解，确定各个所述卷积层的卷积核对应的模型差值即M_A值，并将M_A值与预设阈值进行比较，当M_A值未达到预设阈值时，对各个卷积层的卷积核对应的初始张量分解秩按照预设规则进行处理，并继续执行对各个所述卷积层的卷积核进行张量分解确定模型差值的步骤，直至M_A值达到预设阈值，并将各个所述卷积层的卷积核对应的初始张量分解秩作为各个所述卷积层的卷积核对应的目标张量分解秩。
按照预设规则对各个所述卷积层的卷积核对应的初始张量分解秩进行处理时，具体是将各个所述卷积层的卷积核对应的初始张量分解秩R3和R4均减一和将初始张量分解秩R3和R4中的一个减一，另一个加一。本实施例中目标张量分解秩的确定方法包括两步，第一步是将初始张量分解秩R3和R4设置为各个卷积层的卷积核的输入通道和输出通道后，对各个卷积层的卷积核进行张量分解，确定各个所述卷积层的卷积核对应的模型差值；当模型差值未达到预设阈值时，对初始张量分解秩R3和R4均减一，并继续执行对各个卷积层的卷积核进行张量分解确定模型差值的步骤，直至所述模型差值达到预设阈值。第二步是将第一步结束后的R3和R4作为初始张量分解秩，并按照两条路线确定目标张量分解秩，一条路线是对卷积核进行张量分解确定模型差值，当模型差值未达到预设阈值时，将R3减一并将R4加一，并继续执行对卷积核进行张量分解确定模型差值的步骤，直至模型差值达到预设阈值；另一条路线是对卷积核进行张量分解确定模型差值，当模型差值未达到预设阈值时，将R3加一并将R4减一，并继续执行对卷积核进行张量分解确定模型差值的步骤，直至模型差值达到预设阈值。最终，将两条路线中，R3*R4的值最小的那条路线对应的R3与R4作为各个所述卷积层的卷积核对应的目标张量分解秩。
进一步地，在确定目标张量分解秩前，需要先确定预设阈值，本实施例中预设阈值的确定方法为：设置第一图像安全取证模型的各个卷积层的卷积核的输入通道和输出通道作为R3和R4，将原始数据集中未篡改的若干张图像作为输入，对第一图像安全取证模型的各个卷积层的卷积核进行张量分解，分解完一次，就将R3和R4减一，并且输出对应的M_A值，根据最终的图选择合适的M_A值作为预设阈值。
在一具体实施方式中，所述步骤S211具体包括：
S2111、对所述第一图像安全取证模型的各个卷积层的卷积核进行张量分解，获取张量分解后各个所述卷积层的卷积核对应的目标特征图；
S2112、根据所述目标特征图和各个所述卷积层的卷积核对应的原始特征图，确定各个所述卷积层的卷积核对应的模型差值。
具体地，本实施例中对所述第一图像安全取证模型的各个卷积层的卷积核进行张量分解后，获取张量分解后各个所述卷积层的卷积核对应的目标特征图，其中，所述目标特征图为张量分解后各个所述卷积层的卷积核经过正则化后输出的特征图；然后获取原始的第一图像安全取证模型中各个所述卷积层的卷积核经过正则化后输出的特征图即各个所述卷积层的卷积核对应的原始特征图，根据所述目标特征图以及所述原始特征图，确定各个所述卷积层的卷积核对应的模型差值。其中，模型差值即M_A值的计算公式为：其中，F_c为目标特征图，F_o为原始特征图，||*||为欧式范数。
S300、根据所述第一图像安全取证模型以及所述训练数据集对所述第二图像安全取证模型进行训练，生成第三图像安全取证模型。
具体地，生成第二图像安全取证模型后，需要对所述第二图像安全取证模型进行调整加强，本实施例中根据第一图像安全取证模型以及预先建立的所述训练数据集对第二图像安全取证模型进行训练，生成第三图像安全取证模型。
在一具体实施方式中，所述步骤S300具体包括：
S310、根据所述第一图像安全取证模型对应的第一训练迭代次数，确定所述第二图像安全取证模型对应的第二训练迭代次数；
S320、根据所述第二训练迭代次数以及所述训练数据集对所述第二图像安全取证模型进行训练，生成第三图像安全取证模型。
具体地，本实施例中生成第二图像安全取证模型后，首先对所述第二图像安全取证模型进行初始化，具体是对所述第二图像安全取证模型进行随机初始化；然后根据所述训练数据集对所述第二图像安全取证模型进行训练，训练前需要根据所述第一图像安全取证模型对应的第一训练迭代次数，确定所述第二图像安全取证模型对应的第二训练迭代次数，然后根据所述第二训练迭代次数以及所述训练数据集对所述第二图像安全取证模型进行训练，生成第三图像安全取证模型。
在一具体实施方式中，所述步骤S310具体包括：
S311、根据所述第一图像安全取证模型对应的第一浮点计算量和所述第二图像安全取证模型对应的第二浮点计算量，确定浮点计算量差异值；
S312、根据所述浮点计算量差异值以及所述第一图像安全取证模型对应的第一训练迭代次数，确定所述第二图像安全取证模型对应的第二训练迭代次数。
浮点计算量(floating points of operations，FLOPs)是深度学习卷积神经网络中用于衡量模型的计算复杂度的值，本实施例中获取第一图像安全取证模型对应的第一浮点计算量和所述第二图像安全取证模型对应的第二浮点计算量，然后根据所述第一浮点计算量和所述第二浮点计算量，确定所述第一图像安全取证模型和所述第二图像安全取证模型的浮点计算量差异值；然后根据所述浮点计算量差异值以及所述第一图像安全取证模型对应的第一训练迭代次数，确定所述第二安全取证模型对应的第二训练迭代次数，具体是设置所述第二图像安全取证模型和所述第一图像安全取证模型的训练迭代次数的倍数关系为浮点计算量差异值的倒数。
基于上述所述的图像安全取证模型生成方法，本发明实施例还提供一种图像安全取证方法，所述图像安全取证方法应用于上述所述图像安全取证模型生成方法生成的第三图像安全取证模型，如图3所示，所述方法包括：
M100、获取目标数据集，并将所述目标数据集输入至所述第三图像安全取证模型；
M200、通过所述第三图像安全取证模型对所述目标数据集进行图像安全取证，以得到所述目标数据集中的篡改图像。
具体地，所述目标数据集为需要进行图像安全取证的数据集，需要对所述目标数据集进行安全图像安全取证时，将所述目标数据集输入至所述第三图像安全取证模型中，通过所述第三图像安全取证模型对所述目标数据集进行图像安全取证，以得到所述目标数据集中的篡改图像。由于第三图像安全取证模型是由参数量和预算量更少的第二图像安全取证模型训练得到，图像安全取证方法适用于运行资源和存储资源有限且对时效性有较高要求的移动端。
示例性设备
基于上述实施例，本发明还提供了一种智能终端，其原理框图可以如图4所示。该智能终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏和温度传感器。其中，该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图像安全取证模型生成方法及一种图像安全取证方法。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏，该智能终端的温度传感器是预先在装置内部设置，用于检测内部设备的当前运行温度。
本领域技术人员可以理解，图4中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的终端的限定，具体的智能终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种智能终端，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时至少可以实现以下步骤：
根据预先建立的训练数据集对预设基础图像安全取证模型进行训练，生成第一图像安全取证模型；其中，所述训练数据集中的数据为经过篡改的图像；
对所述第一图像安全取证模型的卷积层进行张量分解，生成第二图像安全取证模型；
根据所述第一图像安全取证模型以及所述训练数据集对所述第二图像安全取证模型进行训练，生成第三图像安全取证模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上所述，本发明公开了一种图像安全取证模型生成方法、取证方法及电子设备，所述生成方法根据预先建立的训练数据集对预设基础图像安全取证模型进行训练，生成第一图像安全取证模型；其中，所述训练数据集中的数据为经过篡改的图像；对所述第一图像安全取证模型的卷积层进行张量分解，生成第二图像安全取证模型；根据所述第一图像安全取证模型以及所述训练数据集对所述第二图像安全取证模型进行训练，生成第三图像安全取证模型。本发明通过对第一图像安全取证模型的卷积层进行张量分解，将参数量过多的卷积层分解为参数量较少的卷积层，生成的图像安全取证模型在保证性能的基础上极大的减少了参数量和运算量，适用于运行资源和存储资源有限且对时效性有较高要求的移动端。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (7)

1.一种图像安全取证模型生成方法，其特征在于，包括：
根据预先建立的训练数据集对预设基础图像安全取证模型进行训练，生成第一图像安全取证模型；其中，所述训练数据集中的数据为经过篡改的图像；
对所述第一图像安全取证模型的卷积层进行张量分解，生成第二图像安全取证模型；
根据所述第一图像安全取证模型以及所述训练数据集对所述第二图像安全取证模型进行训练，生成第三图像安全取证模型；
所述对所述第一图像安全取证模型的卷积层进行张量分解，生成第二图像安全取证模型的步骤包括：
对所述第一图像安全取证模型的各个卷积层的卷积核进行张量分解试验，确定各个所述卷积层的卷积核对应的目标张量分解秩；
根据所述目标张量分解秩对各个所述卷积层的卷积核进行张量分解，生成第二图像安全取证模型；
所述对所述第一图像安全取证模型的各个卷积层的卷积核进行张量分解试验，确定各个所述卷积层的卷积核对应的目标张量分解秩的步骤包括：
对所述第一图像安全取证模型的各个卷积层的卷积核进行张量分解，确定各个所述卷积层的卷积核对应的模型差值；
当所述模型差值未达到预设阈值时，对各个所述卷积层的卷积核对应的初始张量分解秩按照预设规则进行处理，并继续执行对各个所述卷积层的卷积核进行张量分解确定模型差值的步骤，直至所述模型差值达到预设阈值，并将所述初始张量分解秩作为各个所述卷积层的卷积核对应的目标张量分解秩；
所述对所述第一图像安全取证模型的各个卷积层的卷积核进行张量分解，确定各个所述卷积层的卷积核对应的模型差值的步骤包括：
对所述第一图像安全取证模型的各个卷积层的卷积核进行张量分解，获取张量分解后各个所述卷积层的卷积核对应的目标特征图；
根据所述目标特征图和各个所述卷积层的卷积核对应的原始特征图，确定各个所述卷积层的卷积核对应的模型差值。
2.根据权利要求1所述的图像安全取证模型生成方法，其特征在于，所述基础图像安全取证模型为多个，所述根据预先建立的训练数据集对预设基础图像安全取证模型进行训练，生成第一图像安全取证模型的步骤包括：
根据预先建立的训练数据集对各个所述基础图像安全取证模型进行训练，生成多个候选图像安全取证模型；
获取各个所述候选图像安全取证模型对应的模型数据，根据所述模型数据从多个所述候选图像安全取证模型中确定第一图像安全取证模型。
3.根据权利要求1所述的图像安全取证模型生成方法，其特征在于，所述根据所述第一图像安全取证模型以及所述训练数据集对所述第二图像安全取证模型进行训练，生成第三图像安全取证模型的步骤包括：
根据所述第一图像安全取证模型对应的第一训练迭代次数，确定所述第二图像安全取证模型对应的第二训练迭代次数；
根据所述第二训练迭代次数以及所述训练数据集对所述第二图像安全取证模型进行训练，生成第三图像安全取证模型。
4.根据权利要求3所述的图像安全取证模型生成方法，其特征在于，所述根据所述第一图像安全取证模型对应的第一训练迭代次数，确定所述第二图像安全取证模型对应的第二训练迭代次数的步骤包括：
根据所述第一图像安全取证模型对应的第一浮点计算量和所述第二图像安全取证模型对应的第二浮点计算量，确定浮点计算量差异值；
根据所述浮点计算量差异值以及所述第一图像安全取证模型对应的第一训练迭代次数，确定所述第二图像安全取证模型对应的第二训练迭代次数。
5.一种图像安全取证方法，其特征在于，应用于如权利要求1-4任一项所述的图像安全取证模型生成方法生成的第三图像安全取证模型，所述图像安全取证方法包括步骤：
获取目标数据集，并将所述目标数据集输入至所述第三图像安全取证模型；
通过所述第三图像安全取证模型对所述目标数据集进行图像安全取证，以得到所述目标数据集中的篡改图像。
6.一种智能终端，其特征在于，包括：处理器、与处理器通信连接的存储介质，所述存储介质适于存储多条指令；所述处理器适于调用所述存储介质中的指令，以执行实现上述权利要求1-4任一项所述的图像安全取证模型生成方法中的步骤，或者上述权利要求5所述的图像安全取证方法中的步骤。
7.一种存储介质，其上存储有多条指令，其特征在于，所述指令适于由处理器加载并执行，以执行实现上述权利要求1-4任一项所述的图像安全取证模型生成方法中的步骤，或者上述权利要求5所述的图像安全取证方法中的步骤。
CN202110043628.XA 2021-01-13 2021-01-13 一种图像安全取证模型生成方法、取证方法及电子设备 Active CN112767223B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110043628.XA CN112767223B (zh) 2021-01-13 2021-01-13 一种图像安全取证模型生成方法、取证方法及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110043628.XA CN112767223B (zh) 2021-01-13 2021-01-13 一种图像安全取证模型生成方法、取证方法及电子设备

Publications (2)

Publication Number Publication Date
CN112767223A CN112767223A (zh) 2021-05-07
CN112767223B true CN112767223B (zh) 2023-08-25

Family

ID=75700244

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110043628.XA Active CN112767223B (zh) 2021-01-13 2021-01-13 一种图像安全取证模型生成方法、取证方法及电子设备

Country Status (1)

Country Link
CN (1) CN112767223B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111199507A (zh) * 2019-12-25 2020-05-26 深圳大学 一种图像隐写分析方法、智能终端及存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111199507A (zh) * 2019-12-25 2020-05-26 深圳大学 一种图像隐写分析方法、智能终端及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
面向嵌入式应用的深度神经网络模型压缩技术综述;王磊等;北京交通大学学报;第41卷(第6期);第34-41页 *

Also Published As

Publication number Publication date
CN112767223A (zh) 2021-05-07

Similar Documents

Publication Publication Date Title
JP7002404B2 (ja) データから潜在因子を発見するニューラルネットワーク
CN112200722A (zh) 图像超分辨重构模型的生成方法、重构方法及电子设备
CN112418292B (zh) 一种图像质量评价的方法、装置、计算机设备及存储介质
US11093168B2 (en) Processing of neural networks on electronic devices
TWI664853B (zh) 視訊壓縮感測重建方法及裝置
CN113435594B (zh) 安防检测模型训练方法、装置、设备及存储介质
CN112036513A (zh) 基于内存增强潜在空间自回归的图像异常检测方法
CN111325697B (zh) 一种基于张量本征变换的彩色图像修复方法
CN117033039A (zh) 故障检测方法、装置、计算机设备和存储介质
CN110765843A (zh) 人脸验证方法、装置、计算机设备及存储介质
CN112767223B (zh) 一种图像安全取证模型生成方法、取证方法及电子设备
CN113609900A (zh) 局部生成人脸定位方法、装置、计算机设备和存储介质
CN113160079A (zh) 人像修复模型的训练方法、人像修复方法和装置
CN112529767A (zh) 图像数据处理方法、装置、计算机设备和存储介质
TWI803243B (zh) 圖像擴增方法、電腦設備及儲存介質
WO2023010701A1 (en) Image generation method, apparatus, and electronic device
CN113077379B (zh) 特征潜码的提取方法及装置、设备及存储介质
CN112734622B (zh) 一种基于Tucker分解的图像隐写分析方法及终端
CN112668656B (zh) 一种图像分类方法、装置、计算机设备和存储介质
CN114493971A (zh) 媒体数据转换模型训练、数字水印嵌入方法和装置
CN113379637A (zh) 基于递进学习策略的图像修复方法、系统、介质及设备
CN114372941A (zh) 一种低光照图像增强方法、装置、设备及介质
CN116309274B (zh) 图像中小目标检测方法、装置、计算机设备及存储介质
Yu et al. Facial image completion using bi-directional pixel LSTM
CN112329925B (zh) 模型生成方法、特征提取方法、装置及电子设备

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