CN113111957B - 基于特征去噪的防伪方法、装置、设备、产品及介质 - Google Patents

基于特征去噪的防伪方法、装置、设备、产品及介质 Download PDF

Info

Publication number
CN113111957B
CN113111957B CN202110440308.8A CN202110440308A CN113111957B CN 113111957 B CN113111957 B CN 113111957B CN 202110440308 A CN202110440308 A CN 202110440308A CN 113111957 B CN113111957 B CN 113111957B
Authority
CN
China
Prior art keywords
determining
neural network
feature map
loss value
feature
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
CN202110440308.8A
Other languages
English (en)
Other versions
CN113111957A (zh
Inventor
刘凤
孔哲
张爽
刘浩哲
张文天
沈琳琳
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 CN202110440308.8A priority Critical patent/CN113111957B/zh
Publication of CN113111957A publication Critical patent/CN113111957A/zh
Application granted granted Critical
Publication of CN113111957B publication Critical patent/CN113111957B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1365—Matching; Classification
    • 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
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1382—Detecting the live character of the finger, i.e. distinguishing from a fake or cadaver finger
    • G06V40/1388—Detecting the live character of the finger, i.e. distinguishing from a fake or cadaver finger using image processing
    • 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
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • 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
    • G06V40/40—Spoof detection, e.g. liveness detection
    • G06V40/45—Detection of the body part being alive

Landscapes

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

Abstract

本发明公开了一种基于特征去噪的防伪方法、装置、设备、产品及介质，该方法通过确定初始神经网络，根据真伪训练图片与初始神经网络确定第一特征图与初始输出结果，再根据第一特征图与初始输出结果确定第一目标特征图，根据第一目标特征图与初始输出结果确定总损失值，根据总损失值训练初始神经网络，得到目标神经网络，再根据目标神经网络建立真伪分类器，对待分类图片进行真伪分类，实现防伪功能。本发明通过在特征图维度去除了第一特征图中具有干扰性的特征通道，完成了对特征的去噪处理，提高了神经网络训练的准确性，从而提高了真伪分类器的真伪分类能力，进而提高了防伪能力。

Description

基于特征去噪的防伪方法、装置、设备、产品及介质
技术领域
本发明涉及人工智能领域，尤其涉及一种基于特征去噪的防伪方法、装置、设备、产品及介质。
背景技术
人工神经网络越来越多的被应用于防伪领域，相对于传统目标检测方法具有明显的优势，如对于指纹图像或者人脸图像真伪的识别与检测。
需要说明的是，基于人工神经网络的指纹防伪技术面临的主要挑战之一就是训练神经网络，神经网络需要通过反复迭代来确定比较精确的权重值。但是现有指纹防伪技术在训练神经网络的过程中，由于指纹真伪训练图片的特征中可能存在干扰神经网络训练的因素，影响神经网络训练过程中的特征提取，导致神经网络训练的准确性大大降低，使根据神经网络建立的指纹真伪分类器不能准确对指纹图像进行真伪识别，真伪分辨能力低，防伪能力弱。
发明内容
本发明的主要目的在于提供一种基于特征去噪的防伪方法、装置、设备、产品及介质，旨在解决现有防伪技术不能准确识别真伪图像的技术问题。
为实现上述目的，本发明提供一种基于特征去噪的防伪方法，所述基于特征去噪的防伪方法包括以下步骤：
确定初始神经网络，根据真伪训练图片与所述初始神经网络确定第一特征图与初始输出结果，根据所述第一特征图与所述初始输出结果确定第一目标特征图；
根据所述初始输出结果与所述第一目标特征图确定总损失值，根据所述总损失值训练所述初始神经网络，得到目标神经网络；
根据所述目标神经网络建立真伪分类器，通过所述真伪分类器对待分类图片进行真伪分类。
可选地，所述根据所述第一特征图与所述初始输出结果确定第一目标特征图的步骤包括：
确定所述第一特征图的通道中的重要通道，保持所述重要通道的值不变；
将所述第一特征图的通道中除所述重要通道以外的通道的值置0，得到所述第一目标特征图。
可选地，所述确定所述第一特征图的通道中的重要通道的步骤包括：
根据所述第一特征图与所述初始输出结果确定所述第一特征图中每个通道的重要程度；
根据所述每个通道的重要程度确定所述第一特征图中的所述重要通道。
可选地，所述根据所述初始输出结果与所述第一目标特征图确定总损失值的步骤包括：
确定第一损失函数，根据所述初始输出结果与所述第一损失函数确定第一损失值；
将所述第一目标特征图输入所述初始神经网络，得到最终输出结果，根据所述最终输出结果与所述第一损失函数确定第二损失值；
根据所述第一损失值与所述第二损失值确定所述总损失值。
可选地，所述将所述第一目标特征图输入所述初始神经网络的步骤之后，还包括：
确定第二特征图，根据所述第二特征图与三元损失函数确定第三损失值；
所述根据所述第一损失值与所述第二损失值确定所述总损失值的步骤包括：
根据所述第一损失值、所述第二损失值与所述第三损失值确定所述总损失值。
可选地，所述确定初始神经网络的步骤包括：
确定初始神经网络框架，在所述初始神经网络框架中加入二元自适应均值汇聚层，得到所述初始神经网络。
进一步地，为实现上述目的，本发明还提供一种基于特征去噪的防伪装置，所述基于特征去噪的防伪装置包括：
去噪模块，用于确定初始神经网络，根据真伪训练图片与所述初始神经网络确定第一特征图与初始输出结果，根据所述第一特征图与所述初始输出结果确定第一目标特征图；
训练模块，用于根据所述初始输出结果与所述第一目标特征图确定总损失值，根据所述总损失值训练所述初始神经网络，得到目标神经网络；
防伪模块，用于根据所述目标神经网络建立真伪分类器，通过所述真伪分类器对待分类图片进行真伪分类。
进一步地，为实现上述目的，本发明还提供一种基于特征去噪的防伪设备，所述基于特征去噪的防伪设备包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的基于特征去噪的防伪程序，所述基于特征去噪的防伪程序被所述处理器执行时实现如上述所述的基于特征去噪的防伪方法的步骤。
进一步地，为实现上述目的，本发明还提供一种计算机程序产品，所述计算机程序产品包括基于特征去噪的防伪程序，所述基于特征去噪的防伪程序被处理器执行时实现如上所述的基于特征去噪的防伪方法的步骤。
进一步地，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有基于特征去噪的防伪程序，所述基于特征去噪的防伪程序被处理器执行时实现如上所述的基于特征去噪的防伪方法的步骤。
本发明通过确定初始神经网络，根据真伪训练图片与初始神经网络确定第一特征图与初始输出结果，再根据第一特征图与初始输出结果确定第一目标特征图，根据第一目标特征图与初始输出结果确定总损失值，根据总损失值训练初始神经网络，得到目标神经网络，再根据目标神经网络建立真伪分类器，对待分类图片进行真伪分类，实现防伪功能。本发明通过在特征图维度去除了第一特征图中具有干扰性的特征通道，完成了对特征的去噪处理，提高了神经网络训练的准确性，从而提高了真伪分类器的真伪分类能力，进而提高了防伪能力。
附图说明
图1为本发明基于特征去噪的防伪设备实施例方案涉及的设备硬件运行环境的结构示意图；
图2为本发明基于特征去噪的防伪方法第一实施例的流程示意图；
图3为本发明基于特征去噪的防伪装置较佳实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
需要说明的是，基于人工神经网络的指纹防伪技术面临的主要挑战之一就是训练神经网络，神经网络需要通过反复迭代来确定比较精确的权重值。但是现有指纹防伪技术在训练神经网络的过程中，由于指纹真伪训练图片的特征中可能存在干扰神经网络训练的因素，影响神经网络训练过程中的特征提取，导致神经网络训练的准确性大大降低，使根据神经网络建立的指纹真伪分类器不能准确对指纹图像进行真伪识别，真伪分辨能力低，防伪能力弱。
基于上述缺陷，本发明提供一种基于特征去噪的防伪设备，参照图1，图1为本发明基于特征去噪的防伪设备实施例方案涉及的设备硬件运行环境的结构示意图。
如图1所示，该基于特征去噪的防伪设备可以包括：处理器1001，例如CPU，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
本领域技术人员可以理解，图1中示出的基于特征去噪的防伪设备的硬件结构并不构成对基于特征去噪的防伪设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机可读存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于特征去噪的防伪程序。其中，操作系统是管理和控制基于特征去噪的防伪设备与软件资源的程序，支持网络通信模块、用户接口模块、基于特征去噪的防伪程序以及其他程序或软件的运行；网络通信模块用于管理和控制网络接口1004；用户接口模块用于管理和控制用户接口1003。
在图1所示的基于特征去噪的防伪设备硬件结构中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端，与客户端进行数据通信；处理器1001可以调用存储器1005中存储的基于特征去噪的防伪程序，并执行以下操作：
确定初始神经网络，根据真伪训练图片与所述初始神经网络确定第一特征图与初始输出结果，根据所述第一特征图与所述初始输出结果确定第一目标特征图；
根据所述初始输出结果与所述第一目标特征图确定总损失值，根据所述总损失值训练所述初始神经网络，得到目标神经网络；
根据所述目标神经网络建立真伪分类器，通过所述真伪分类器对待分类图片进行真伪分类。
进一步地，所述根据所述第一特征图与所述初始输出结果确定第一目标特征图的步骤包括：
确定所述第一特征图的通道中的重要通道，保持所述重要通道的值不变；
将所述第一特征图的通道中除所述重要通道以外的通道的值置0，得到所述第一目标特征图。
进一步地，所述确定所述第一特征图的通道中的重要通道的步骤包括：
根据所述第一特征图与所述初始输出结果确定所述第一特征图中每个通道的重要程度；
根据所述每个通道的重要程度确定所述第一特征图中的所述重要通道。
进一步地，所述根据所述初始输出结果与所述第一目标特征图确定总损失值的步骤包括：
确定第一损失函数，根据所述初始输出结果与所述第一损失函数确定第一损失值；
将所述第一目标特征图输入所述初始神经网络，得到最终输出结果，根据所述最终输出结果与所述第一损失函数确定第二损失值；
根据所述第一损失值与所述第二损失值确定所述总损失值。
进一步地，所述将所述第一目标特征图输入所述初始神经网络的步骤之后，还包括：
确定第二特征图，根据所述第二特征图与三元损失函数确定第三损失值；
所述根据所述第一损失值与所述第二损失值确定所述总损失值的步骤包括：
根据所述第一损失值、所述第二损失值与所述第三损失值确定所述总损失值。
进一步地，所述确定初始神经网络的步骤包括：
确定初始神经网络框架，在所述初始神经网络框架中加入二元自适应均值汇聚层，得到所述初始神经网络。
本发明基于特征去噪的防伪设备的具体实施方式与下述基于特征去噪的防伪方法各实施例基本相同，在此不再赘述。
本发明还提供一种基于上述基于特征去噪的防伪设备的基于特征去噪的防伪方法。
参照图2，图2为本发明基于特征去噪的防伪方法第一实施例的流程示意图。
本发明实施例提供了基于特征去噪的防伪方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在基于特征去噪的防伪方法的各个实施例中，执行主体是基于特征去噪的防伪设备。
所述基于特征去噪的防伪方法应用于基于特征去噪的防伪设备，所述基于特征去噪的防伪方法包括：
步骤S10，确定初始神经网络，根据真伪训练图片与所述初始神经网络确定第一特征图与初始输出结果，根据所述第一特征图与所述初始输出结果确定第一目标特征图；
基于人工神经网络的指纹防伪技术面临的主要挑战之一就是训练神经网络，神经网络需要通过反复迭代来确定比较精确的权重值。但是现有指纹防伪技术在训练神经网络的过程中，由于指纹真伪训练图片的特征中可能存在干扰神经网络训练的因素，影响神经网络训练过程中的特征提取，导致神经网络训练的准确性大大降低，使根据神经网络建立的指纹真伪分类器不能准确对指纹图像进行真伪识别，真伪分辨能力低，防伪能力弱。
为解决现有防伪技术不能准确识别真伪图像的技术问题，在本发明实施例中提出一种基于特征去噪的防伪方法，旨在通过确定初始神经网络，根据真伪训练图片与初始神经网络确定第一特征图与初始输出结果，再根据第一特征图与初始输出结果确定第一目标特征图，根据第一目标特征图与初始输出结果确定总损失值，根据总损失值训练初始神经网络，得到目标神经网络，再根据目标神经网络建立真伪分类器，对待分类图片进行真伪分类，实现防伪功能。本发明通过在特征图维度去除了第一特征图中具有干扰性的特征通道，完成了对特征的去噪处理，提高了神经网络训练的准确性，从而提高了真伪分类器的真伪分类能力，进而提高了防伪能力。
本实施例中的基于特征去噪的防伪方法适用于具有基于特征去噪的防伪功能的设备。
在本实施例中，首先确定初始神经网络，初始神经网络是用来进行训练的卷积神经网络架构。例如，初始神经网络可以是轻量级卷积网络MobileNetV1、MobileNetV2与MobileNetV3等。
真伪训练图片是用来训练初始神经网络的真伪图片训练集，例如，真伪训练图片是真伪指纹图片训练集或者真伪人脸图片训练集。可以是预先设置的，也可以是用户提供的，以真伪训练图片作为输入数据输入初始神经网络，例如，若真伪图片训练集中有3000张图片，则将该3000张图片作为输入数据输入初始神经网络，可以同时将3000张图片输入初始神经网络中，也可以每次输入100张图片，一共输入30次。
确定输入数据经过初始神经网络中某一卷积层得到特征图为第一特征图，特征图是卷积神经网络中输入数据经过卷积过滤器得到的输出结果，这里并不限定卷积层所在初始神经网络中的具体位置。例如，若确定的初始神经网络为卷积神经网络MobileNetV3，则可以确定输入数据经过MobileNetV3网络的第13个bneck的最后一个卷积层得到的特征图为第一特征图，也可以确定输入数据经过MobileNetV3网络的第13个bneck的第一个卷积层得到的特征图为第一特征图。
同时确定输入数据经过整个初始神经网络后得到的初始输出结果，再根据第一特征图与初始输出结果去除第一特征图中具有干扰性的特征通道，完成对特征的去噪处理，得到第一目标特征图。当第一特征图确定后，第一特征图内的通道也随之确定，确定的第一特征图不同，第一特征图中的通道数也不同。例如，若确定输入数据经过MobileNetV3网络的第12个bneck的最后一个卷积层得到的特征图为第一特征图，则第一特征图中包含112个通道；若确定输入数据经过MobileNetV3网络的第13个bneck的最后一个卷积层得到的特征图为第一特征图，则第一特征图中包含160个通道；若确定输入数据经过MobileNetV3网络的第10个bneck的最后一个卷积层得到的特征图为第一特征图，则第一特征图中包含80个通道。
抑制第一特征图中的某些通道就是对特征的去噪处理。例如，若确定第一特征图后，第一特征图中包含160个通道，根据第一特征图与初始输出结果确定第一特征图中有130个通道需要被抑制，则基于特征去噪的防伪设备将该130个通道的值置0，保持其他30个通道的值不变，完成对特征的去噪处理，得到第一目标特征图。
步骤S20，根据所述初始输出结果与所述第一目标特征图确定总损失值，根据所述总损失值训练所述初始神经网络，得到目标神经网络；
在本实施例中，根据初始输出结果与第一目标特征图确定总损失值，再根据总损失值训练初始神经网络，得到目标神经网络。具体步骤为，基于特征去噪的防伪设备重复将真伪训练图片输入初始神经网络进行迭代并更新参数，每一次迭代过程都重新确定第一特征图与初始输出结果，完成对第一特征图的去噪处理得到第一目标特征图，根据第一目标特征图与初始输出结果确定总损失值，直到确定的总损失值满足迭代终止条件，停止迭代，得到目标神经网络。例如，将初始神经网络放置显卡中进行训练，使用总损失值作为整个网络的损失进行梯度更新，得到的结果为当前训练下显卡计算出的梯度值、损失值和判断正确率，然后在CPU中根据显卡计算出的梯度值进行反向传播，对网络中的参数逐层求偏导数，进行参数更新，并将参数更新后的初始神经网络再次放入显卡进行训练，反复迭代，实现参数的更新迭代，直到满足迭代终止条件，停止迭代，得到目标神经网络。
迭代终止条件可以是，确定的最近第一预设数量的总损失值中最大损失值与最小损失值之间的差值小于第一预设数值。例如，迭代终止的条件为最近10次迭代后得到的总损失值中，最大损失值与最小损失值之间的差值小于10-16。
迭代终止的条件也可以是，确定的最近一个总损失值与上一个总损失值之间的差值小于第二预设数值。例如，迭代终止的条件为确定的最近一个总损失值与上一个总损失值之间的差值小于10-17。
迭代终止的条件还可以是，确定的最近一个总损失值的大小小于第三预设数值。例如，迭代终止的条件还可以是，确定的最近一个总损失值的大小小于10-2。需要说明的是，第一预设数值、第二预设数值与第三预设数值之间并不存在联系。
需要说明的是，除了根据总损失值确定是否终止迭代外，也可以直接确定神经网络进行迭代的次数，迭代的次数达到确定的次数即停止迭代。
步骤S30，根据所述目标神经网络建立真伪分类器，通过所述真伪分类器对待分类图片进行真伪分类。
在本实施例中，在得到目标神经网络之后，根据目标神经网络建立真伪分类器，通过真伪分类器对待分类图片进行真伪分类，实现防伪功能。以目标神经网络为基础构建真伪分类器，使真伪分类器能够根据待分类图片输入目标神经网络后得到的目标输出结果与预设真伪分类规则对待分类图片进行分类，即将待分类图片输入目标神经网络中，得到目标输出结果，将目标输出结果进行归一化处理，得到目标预测结果，以使真伪分类器可以根据目标预测结果与预设真伪分类规则对待分类图片进行真伪分类。待分类图片指需要进行真伪分类即防伪的图片，预设真伪分类规则为预先确定矩阵中各个位置所代表的真伪标签，确定目标预测结果中最大数值所在矩阵中的位置，则该位置代表的真伪标签即为对待分类图片的真伪分类结果。例如，若以真伪指纹图像集训练初始神经网络得到目标神经网络，则以目标神经网络为基础构建指纹真伪分类器，若待分类指纹图片输入目标神经网络后的目标输出结果，则对目标输出结果进行归一化处理，得到[0.4,0.6]，预设分类规则为,矩阵[a,b]中a所在位置为真，b所在位置为假，则指纹真伪分类器将待分类指纹图片分类为假，实现防伪功能。
本发明通过确定初始神经网络，根据真伪训练图片与初始神经网络确定第一特征图与初始输出结果，再根据第一特征图与初始输出结果确定第一目标特征图，根据第一目标特征图与初始输出结果确定总损失值，根据总损失值训练初始神经网络，得到目标神经网络，再根据目标神经网络建立真伪分类器，对待分类图片进行真伪分类，实现防伪功能。本发明通过在特征图维度去除了第一特征图中具有干扰性的特征通道，完成了对特征的去噪处理，提高了神经网络训练的准确性，从而提高了真伪分类器的真伪分类能力，进而提高了防伪能力。
进一步地，提出本发明基于特征去噪的防伪方法第二实施例，上述步骤S20中，所述根据所述第一特征图与所述初始输出结果确定第一目标特征图的步骤包括：
步骤a1，确定所述第一特征图的通道中的重要通道，保持所述重要通道的值不变；
步骤a2，将所述第一特征图的通道中除所述重要通道以外的通道的值置0，得到所述第一目标特征图。
在本实施例中，为了提高神经网络训练的准确性，需要去除第一特征图中具有干扰性的特征通道，完成对特征的去噪处理。具体步骤为，确定第一特征图的通道中的重要通道，将重要通道的值保持不变，将第一特征图中除重要通道以外的通道的值置0，完成对特征的去噪处理，得到第一目标特征图。例如，若第一特征图中一共有160个通道，确定第一特征图中存在30个重要通道，则基于特征去噪的防伪设备将第一特征图中的该30个重要通道的值保持不变，将其他130个通道的值置0，由此得到第一目标特征图。
本实施例通过在特征图维度去除第一特征图中具有干扰性的特征通道，完成对特征的去噪处理，增强了抗噪能力，提高了神经网络训练的准确性，从而提高了真伪分类器的真伪分类能力，进而提高了防伪能力。
进一步地，提出本发明基于特征去噪的防伪方法第三实施例，上述步骤a1中，所述确定所述第一特征图的通道中的重要通道的步骤包括：
步骤a11，根据所述第一特征图与所述初始输出结果确定所述第一特征图中每个通道的重要程度；
步骤a12，根据所述每个通道的重要程度确定所述第一特征图中的所述重要通道。
在本实施例中，确定第一特征图中的重要通道的步骤具体为，确定第一特征图中每个通道对于该第一特征图的重要程度。具体步骤为，当确定某条通道的重要程度时，将第一特征图中的该条通道的值置0，得到第一中间特征图，基于特征去噪的防伪设备再将该第一中间特征图输入初始神经网络中某一卷积层，该卷积层为前述确定第一特征图时输入数据经过的卷积层，使第一中间特征图继续向后传播，经过初始神经网络后得到第一输出结果，将第一输出结果进行归一化处理，得到Out1＝(a11，a12)，同时对初始输出结果进行归一化处理，得到Out2＝(a21，a22)，则第一特征图中该条通道的重要程度为|a21-a11|。例如，若确定输入数据即真伪训练图片经过MobileNetV3网络的第13个bneck的最后一个卷积层得到的特征图为第一特征图，则第一特征图中存在160条通道，则确定某条通道的重要程度的步骤为，将第一特征图中的该条通道的值置0，得到第一中间特征图，基于特征去噪的防伪设备再将第一中间特征图输入MobileNetV3的第13个bneck的最后一个卷积层，得到第一输出结果，利用softmax函数将第一输出结果进行归一化处理，得到Out1＝(0.3,0.7)，再将初始输出结果进行归一化处理，得到Out2＝(0.6,0.4)，则该条通道的重要程度为|0.6-0.3|＝0.3，按照上述方式确定第一特征图中每条通道的重要程度。
当确定第一特征图中每条通道的重要程度之后，确定重要程度位于前第二预设数量的通道为第一特征图中的重要通道。例如，若第二预设数量为3，第一特征图中存在5条通道，通道1的重要程度为0.6，通道2的重要程度为0.3，通道3的重要程度为0.4，通道4的重要程度为0.5，通道5的重要程度为0.1，确定重要程度位于前3的通道为第一特征图中的重要通道，即通道1、通道4与通道3为第一特征图中的重要通道。
本实施例通过依次将第一特征图中的通道的值置0来确定每条通道的重要程度，能够准确地确定第一特征图中的重要通道，准确去除了第一特征图中具有干扰性的特征通道，提高了对特征进行去噪处理的准确性。
进一步地，提出本发明基于特征去噪的防伪方法第四实施例，上述步骤S30中，所述根据所述初始输出结果与所述第一目标特征图确定总损失值的步骤包括：
步骤b1，确定第一损失函数，根据所述初始输出结果与所述第一损失函数确定第一损失值；
在本实施例中，根据初始输出结果与第一目标特征图确定总损失函数的步骤具体为，先确定第一损失函数，损失函数用来确定神经网络的损失值。例如，第一损失函数可以确定为cross-entropy损失函数、log对数损失函数等。
基于特征去噪的防伪设备再根据初始输出结果与第一损失函数确定第一损失值。其中，初始输出结果与真实标签为第一损失函数的输入，第一损失值为第一损失函数的输出，真实标签表示初始神经网络的输入数据的真实值，即为真伪训练图片预先设置的真实值。例如，若确定MobileNetV3为初始神经网络，输入数据的真实标签为[0,1]，初始输出结果为[0.4,0.6]，若第一损失函数为cross-entropy损失函数，则根据cross-entropy损失函数与真实标签[0,1]、初始输出结果[0.4,0.6]确定第一损失值。
步骤b2，将所述第一目标特征图输入所述初始神经网络，得到最终输出结果，根据所述最终输出结果与所述第一损失函数确定第二损失值；
步骤b3，根据所述第一损失值与所述第二损失值确定所述总损失值。
将去噪后得到的第一目标特征图输入初始神经网络中某一卷积层，该卷积层为前述确定第一特征图时输入数据经过的卷积层，使第一目标特征图在初始神经网络中向后传播得到最终输出结果，根据最终输出结果与损失函数确定第二损失值，这里确定第二损失值的方式与上述确定第一损失值的方式相似，最终输出结果与真实标签作为第一损失函数的输入，第一损失函数的输出即为第二损失值。
最后根据第一损失值与第二损失值确定总损失值，在确定总损失值时，可以为第一损失值与第二损失值分别赋予一定的权重，即总损失值＝λ1*第一损失值+λ2*第二损失值，需要说明的是，λ1与λ2的值是预先设置的，它们可以相同，也可以不同。例如，若第一损失值为LOSS1，第二损失值为LOSS2，则总损失值LOSS总＝λ1*LOSS1+λ2*LOSS2，则可以是λ1为0.4，λ2为0.5；还可以是λ1为1，λ2为1。
本实施例通过根据第一损失值与第二损失值确定神经网络的总损失值，提高了神经网络训练的准确性与抗噪性，从而提高了真伪分类器的真伪分类能力，进而提高了防伪能力。
进一步地，提出本发明基于特征去噪的防伪方法第五实施例，上述步骤b2中，所述将所述第一目标特征图输入所述初始神经网络的步骤之后，还包括：
步骤c1，确定第二特征图，根据所述第二特征图与三元损失函数确定第三损失值；
上述步骤b3包括：
步骤b31，根据所述第一损失值、所述第二损失值与所述第三损失值确定所述总损失值。
在本实施例中，为了使目标神经网络可以对真实标签相同的真伪训练图片进一步进行区分，可以利用三元损失函数确定第三损失值，再根据第一损失值、第二损失值与第三损失值确定总损失值。具体步骤为，在将第一目标特征图输入初始神经网络中得到第一特征图时输入数据经过的卷积层后，确定第二特征图，方式为，可以确定第一目标特征图在初始神经网络中向后传播时经过上述卷积层之后的某一卷积层得到的特征图为第二特征图；也可以确定第一目标特征图在初始神经网络中向后传播时经过classifier层之前的某一卷积层得到的特征图为第二特征图。例如，若将第一目标特征图输入MobileNetV3网络的第13个bneck的最后一个卷积层，可以确定第一目标特征图经过该卷积层之后的某一卷积层得到的特征图为第二特征图；也可以确定第一目标特征图经过第一13个bneck的最后一个卷积层之后，经过classifier层之前的某一卷积层得到的特征图为第二特征图。
确定第二特征图之后，根据第二特征图与三元损失函数确定第三损失值，第二特征图中包含了真实标签相同的真伪训练图片中具有的各种不同的特征信息，可以根据特征信息与三元损失函数确定确定第三损失值。例如，若真伪训练图片为真伪指纹图片时，真指纹图片的真实标签为[1,0]，伪造指纹图片的真实标签为[0,1]，但伪造指纹图片可能由不同的材料制作而成，因此第二特征图中也包含了不同材料的特征信息，则可以利用三元损失函数根据不同的伪造材料确定第三损失值。
确定第三损失值之后，再根据根据第一损失值、第二损失值与第三损失值确定总损失值，可以为第一损失值、第二损失值与第三损失值分别赋予一定的权重，即总损失值＝λ3*第一损失值+λ4*第二损失值+λ5*第三损失值，其中λ3、λ4与λ5的值是预先设置的，它们可以相同，也可以不同，例如，若第一损失值为LOSS1，第二损失值为LOSS2，第三损失值为LOSS3，则总损失值LOSS总＝λ1*LOSS1+λ2*LOSS2+λ3*LOSS3。则可以是，λ1为1，λ2为0.3，λ3为0.4；也可以是，λ1为1，λ2为1，λ3为0.3。
本实施例通过通过第二特征图与三元损失函数确定第三损失值，再根据第三损失值确定总损失值，提高了神经网络训练的准确性，从而提高了真伪分类器的真伪分类能力，进而提高了防伪能力。
进一步地，提出本发明基于特征去噪的防伪方法第六实施例，上述步骤S10中，所述确定初始神经网络的步骤包括：
步骤d1，确定初始神经网络框架，在所述初始神经网络框架中加入二元自适应均值汇聚层，得到所述初始神经网络。
在本实施例中，为了使初始神经网络能够适应不同尺寸的真伪训练图片，可以在初始神经网络框架中加入二元自适应均值汇聚层，得到初始神经网络，其中，初始神经网络框架包括卷积神经网络等。例如，确定卷积神经网络MobileNetV1、卷积神经网络MobileNetV2或者卷积神经网络MobileNetV3为初始神经网络框架。
二元自适应均值汇聚层可以将不同的输入变成固定维度的向量，从而使初始神经网络能够适应不同尺寸的真伪训练图片。例如，首先确定卷积神经网络MobileNetV3作为初始神经网络框架，再将二元自适应汇聚层加入MobileNetV3网络中，得到初始神经网络。
本实施例通过在初始神经网络框架中加入二元自适应汇聚层得到初始神经网络，可以使初始神经网络能够适应不同尺寸的输入图片，提高了神经网络训练的效率与准确性，从而提高了真伪分类器的真伪分类能力，进而提高了防伪能力。
本发明还提供一种基于特征去噪的防伪装置。
参照图3，图3为本发明基于特征去噪的防伪装置第一实施例的功能模块示意图。所述基于特征去噪的防伪装置包括：
去噪模块，用于确定初始神经网络，根据真伪训练图片与所述初始神经网络确定第一特征图与初始输出结果，根据所述第一特征图与所述初始输出结果确定第一目标特征图；
训练模块，用于根据所述初始输出结果与所述第一目标特征图确定总损失值，根据所述总损失值训练所述初始神经网络，得到目标神经网络；
防伪模块，用于根据所述目标神经网络建立真伪分类器，通过所述真伪分类器对待分类图片进行真伪分类。
此外，本发明还提出一种计算机可读存储介质。
计算机可读存储介质上存储有基于特征去噪的防伪程序，基于特征去噪的防伪程序被处理器执行时实现如上所述的基于特征去噪的防伪方法的步骤。
本发明计算机可读存储介质具体实施方式与上述基于特征去噪的防伪方法各实施例基本相同，在此不再赘述。
此外，本发明还提出一种计算机程序产品，包括基于特征去噪的防伪程序，所述基于特征去噪的防伪程序被处理器执行时实现如上所述的基于特征去噪的防伪方法的步骤。
本发明计算机程序产品具体实施方式与上述基于特征去噪的防伪方法各实施例基本相同，在此不再赘述。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，这些均属于本发明的保护之内。

Claims (7)

1.一种基于特征去噪的防伪方法，其特征在于，所述基于特征去噪的防伪方法包括以下步骤：
确定初始神经网络，根据真伪训练图片与所述初始神经网络确定第一特征图与初始输出结果，根据所述第一特征图与所述初始输出结果确定第一目标特征图；
根据所述初始输出结果与所述第一目标特征图确定总损失值，根据所述总损失值训练所述初始神经网络，得到目标神经网络；
根据所述目标神经网络建立真伪分类器，通过所述真伪分类器对待分类图片进行真伪分类；
其中，所述根据所述第一特征图与所述初始输出结果确定第一目标特征图的步骤包括：
确定所述第一特征图的通道中的重要通道，保持所述重要通道的值不变；
将所述第一特征图的通道中除所述重要通道以外的通道的值置0，得到所述第一目标特征图；
所述确定所述第一特征图的通道中的重要通道的步骤包括：
根据所述第一特征图与所述初始输出结果确定所述第一特征图中每个通道的重要程度；
根据所述每个通道的重要程度确定所述第一特征图中的所述重要通道；
所述根据所述初始输出结果与所述第一目标特征图确定总损失值的步骤包括：
确定第一损失函数，根据所述初始输出结果与所述第一损失函数确定第一损失值；
将所述第一目标特征图输入所述初始神经网络，得到最终输出结果，根据所述最终输出结果与所述第一损失函数确定第二损失值；
根据所述第一损失值与所述第二损失值确定所述总损失值。
2.如权利要求1所述的基于特征去噪的防伪方法，其特征在于，所述将所述第一目标特征图输入所述初始神经网络的步骤之后，还包括：
确定第二特征图，根据所述第二特征图与三元损失函数确定第三损失值；
所述根据所述第一损失值与所述第二损失值确定所述总损失值的步骤包括：
根据所述第一损失值、所述第二损失值与所述第三损失值确定所述总损失值。
3.如权利要求1所述的基于特征去噪的防伪方法，其特征在于，所述确定初始神经网络的步骤包括：
确定初始神经网络框架，在所述初始神经网络框架中加入二元自适应均值汇聚层，得到所述初始神经网络。
4.一种基于特征去噪的防伪装置，其特征在于，所述基于特征去噪的防伪装置包括：
去噪模块，用于确定初始神经网络，根据真伪训练图片与所述初始神经网络确定第一特征图与初始输出结果，根据所述第一特征图与所述初始输出结果确定第一目标特征图；
训练模块，用于根据所述初始输出结果与所述第一目标特征图确定总损失值，根据所述总损失值训练所述初始神经网络，得到目标神经网络；
防伪模块，用于根据所述目标神经网络建立真伪分类器，通过所述真伪分类器对待分类图片进行真伪分类；
所述去噪模块，还用于确定所述第一特征图的通道中的重要通道，保持所述重要通道的值不变；将所述第一特征图的通道中除所述重要通道以外的通道的值置0，得到所述第一目标特征图；
所述去噪模块，还用于根据所述第一特征图与所述初始输出结果确定所述第一特征图中每个通道的重要程度；根据所述每个通道的重要程度确定所述第一特征图中的所述重要通道；
所述训练模块，还用于确定第一损失函数，根据所述初始输出结果与所述第一损失函数确定第一损失值；将所述第一目标特征图输入所述初始神经网络，得到最终输出结果，根据所述最终输出结果与所述第一损失函数确定第二损失值；根据所述第一损失值与所述第二损失值确定所述总损失值。
5.一种基于特征去噪的防伪设备，其特征在于，所述基于特征去噪的防伪设备包括存储器、处理器以及存储在所述存储器上并可以在所述处理器上运行的基于特征去噪的防伪程序，所述基于特征去噪的防伪程序被所述处理器执行时实现如权利要求1-3中任一项所述的基于特征去噪的防伪方法的步骤。
6.一种计算机程序产品，其特征在于，所述计算机程序产品包括基于特征去噪的防伪程序，所述基于特征去噪的防伪程序被处理器执行时实现如权利要求1-3中任一项所述的基于特征去噪的防伪方法的步骤。
7.一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上存储有基于特征去噪的防伪程序，所述基于特征去噪的防伪程序被处理器执行时实现如权利要求1-3中任一项所述的基于特征去噪的防伪方法的步骤。
CN202110440308.8A 2021-04-22 2021-04-22 基于特征去噪的防伪方法、装置、设备、产品及介质 Active CN113111957B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110440308.8A CN113111957B (zh) 2021-04-22 2021-04-22 基于特征去噪的防伪方法、装置、设备、产品及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110440308.8A CN113111957B (zh) 2021-04-22 2021-04-22 基于特征去噪的防伪方法、装置、设备、产品及介质

Publications (2)

Publication Number Publication Date
CN113111957A CN113111957A (zh) 2021-07-13
CN113111957B true CN113111957B (zh) 2023-09-08

Family

ID=76719913

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110440308.8A Active CN113111957B (zh) 2021-04-22 2021-04-22 基于特征去噪的防伪方法、装置、设备、产品及介质

Country Status (1)

Country Link
CN (1) CN113111957B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101266646A (zh) * 2008-04-25 2008-09-17 重庆大学 融合小波分析与矩特征的人耳图像识别方法
CN101382837A (zh) * 2008-10-28 2009-03-11 天津大学 复合动作模式脑电鼠标控制装置
CN101489034A (zh) * 2008-12-19 2009-07-22 四川虹微技术有限公司 一种视频图像噪声估计与去除方法
CN107609598A (zh) * 2017-09-27 2018-01-19 武汉斗鱼网络科技有限公司 图像鉴别模型训练方法、装置及可读存储介质
CN112149608A (zh) * 2020-10-09 2020-12-29 腾讯科技（深圳）有限公司 图像识别方法、装置和存储介质
CN112381224A (zh) * 2020-11-13 2021-02-19 深圳前海微众银行股份有限公司 神经网络训练方法、装置、设备及计算机可读存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101266646A (zh) * 2008-04-25 2008-09-17 重庆大学 融合小波分析与矩特征的人耳图像识别方法
CN101382837A (zh) * 2008-10-28 2009-03-11 天津大学 复合动作模式脑电鼠标控制装置
CN101489034A (zh) * 2008-12-19 2009-07-22 四川虹微技术有限公司 一种视频图像噪声估计与去除方法
CN107609598A (zh) * 2017-09-27 2018-01-19 武汉斗鱼网络科技有限公司 图像鉴别模型训练方法、装置及可读存储介质
CN112149608A (zh) * 2020-10-09 2020-12-29 腾讯科技（深圳）有限公司 图像识别方法、装置和存储介质
CN112381224A (zh) * 2020-11-13 2021-02-19 深圳前海微众银行股份有限公司 神经网络训练方法、装置、设备及计算机可读存储介质

Also Published As

Publication number Publication date
CN113111957A (zh) 2021-07-13

Similar Documents

Publication Publication Date Title
CN109359608B (zh) 一种基于深度学习模型的人脸识别方法
Liu et al. Connecting image denoising and high-level vision tasks via deep learning
CN108171209B (zh) 一种基于卷积神经网络进行度量学习的人脸年龄估计方法
CN107529650B (zh) 闭环检测方法、装置及计算机设备
CN111476268A (zh) 翻拍识别模型训练、图像识别方法、装置、设备及介质
CN110059465A (zh) 身份验证方法、对抗生成网络的训练方法、装置及设备
CN111275660B (zh) 一种平板显示器缺陷检测方法及装置
US20240185604A1 (en) System and method for predicting formation in sports
CN108710893B (zh) 一种基于特征融合的数字图像相机源模型分类方法
CN112784929B (zh) 一种基于双元组扩充的小样本图像分类方法及装置
CN111598182A (zh) 训练神经网络及图像识别的方法、装置、设备及介质
CN109711283A (zh) 一种联合双字典和误差矩阵的遮挡表情识别算法
CN110929836B (zh) 神经网络训练及图像处理方法和装置、电子设备、介质
CN111860414A (zh) 一种基于多特征融合检测Deepfake视频方法
CN111985554A (zh) 一种模型训练方法、手镯识别方法及对应装置
Chen et al. Automated design of neural network architectures with reinforcement learning for detection of global manipulations
CN113673482B (zh) 基于动态标签分配的细胞抗核抗体荧光识别方法及系统
Mazumdar et al. Universal image manipulation detection using deep siamese convolutional neural network
CN115035418A (zh) 一种基于改进DeepLabV3+网络的遥感图像语义分割方法及系统
CN110414586B (zh) 基于深度学习的防伪标签验伪方法、装置、设备及介质
CN111079930A (zh) 数据集质量参数的确定方法、装置及电子设备
CN114581789A (zh) 一种高光谱图像分类方法及系统
WO2024060839A1 (zh) 对象操作方法、装置、计算机设备以及计算机存储介质
CN112801186A (zh) 一种验证图像生成方法、装置及设备
CN112084936A (zh) 一种人脸图像预处理方法、装置、设备及存储介质

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