CN116152933A - 一种异常检测模型的训练方法、装置、设备及存储介质 - Google Patents
一种异常检测模型的训练方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116152933A CN116152933A CN202211600732.5A CN202211600732A CN116152933A CN 116152933 A CN116152933 A CN 116152933A CN 202211600732 A CN202211600732 A CN 202211600732A CN 116152933 A CN116152933 A CN 116152933A
- Authority
- CN
- China
- Prior art keywords
- sample
- difference
- training
- positive
- representative
- 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.)
- Pending
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
- G06V40/40—Spoof detection, e.g. liveness detection
-
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Human Computer Interaction (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本说明书公开了一种异常检测模型的训练方法、装置、设备及存储介质,获取真实人脸图像作为正样本,获取合成人脸图像作为负样本,并将各正样本和负样本作为训练样本,通过特征提取层提取各训练样本的样本特征,通过分类层得到各训练样本的检测结果,以及基于各正样本的样本特征确定用于表征正样本的共性的代表特征。再根据各正样本的样本特征和代表特征之间的差异、各负样本的样本特征和代表特征之间的差异,以及各训练样本的检测结果及其标注之间的差异对异常检测模型进行训练。本方法可基于代表特征,学习到准确的特征提取方式,以便于后续准确提取人脸图像的人脸特征来进行准确地异常检测,保证了异常检测的准确性。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种异常检测模型的训练方法、装置、设备及存储介质。
背景技术
目前,随着互联网的快速发展,图像生成方法在人们生活中得到了愈发广泛的应用。随之而来的就是基于图像生成方法进行网络攻击的情况,造成用户隐私存在泄露的风险。如,使用人脸伪造技术生成假的人脸,并使用假的人脸来进行仿冒信息,获取用户数据。
基于此,本说明书提供一种异常检测方法,以对非真实人脸图像进行识别。
发明内容
本说明书提供一种异常检测模型的训练方法、装置、设备及存储介质,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供一种异常检测模型的训练方法,包括:
获取真实人脸图像,作为正样本,以及获取合成人脸图像,作为负样本,将所述正样本和所述负样本作为训练样本;
确定由若干训练样本构成的样本集;
针对所述样本集中的每个训练样本,将该训练样本输入待训练的异常检测模型的特征提取层,得到所述特征提取层输出的该训练样本的样本特征;
将该样本特征输入所述异常检测模型的分类层,得到所述分类层输出的该训练样本的检测结果;
根据所述样本集中各正样本的样本特征,确定用于表征正样本的共性的代表特征;
以所述样本集中各正样本的样本特征和所述代表特征之间的差异最小、所述样本集中各负样本的样本特征和所述代表特征之间的差异最大,以及所述样本集中各训练样本的检测结果及其标注之间的差异最小为优化目标,对所述异常检测模型进行训练,训练完成的所述异常检测模型用于检测合成人脸图像。
本说明书提供一种异常检测模型的训练装置,包括:
获取模块,用于获取真实人脸图像,作为正样本,以及获取合成人脸图像,作为负样本,将所述正样本和所述负样本作为训练样本;
第一确定模块,用于确定由若干训练样本构成的样本集;
提取模块,用于针对样本集中的每个训练样本,将该训练样本输入待训练的异常检测模型的特征提取层,得到所述特征提取层输出的该训练样本的样本特征;
分类模块,用于将该样本特征输入所述异常检测模型的分类层,得到所述分类层输出的该训练样本的检测结果;
第二确定模块,用于根据所述样本集中各正样本的样本特征,确定用于表征正样本的共性的代表特征;
训练模块,用于以所述样本集中各正样本的样本特征和所述代表特征之间的差异最小、所述样本集中各负样本的样本特征和所述代表特征之间的差异最大,以及所述样本集中各训练样本的检测结果及其标注之间的差异最小为优化目标,对所述异常检测模型进行训练,训练完成的所述异常检测模型用于检测合成人脸图像。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述异常检测模型的训练方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述异常检测模型的训练方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
获取真实人脸图像作为正样本,获取合成人脸图像作为负样本,并将各正样本和负样本作为训练样本,通过该异常检测模型的特征提取层提取各训练样本的样本特征,通过分类层得到各训练样本的检测结果,以及基于各正样本的样本特征确定用于表征正样本的共性的代表特征。根据各正样本的样本特征和代表特征之间的差异、各负样本的样本特征和代表特征之间的差异,以及各训练样本的检测结果及其标注之间的差异确定损失,以损失最小为优化目标对异常检测模型进行训练。
本方法可基于代表特征,学习到准确的特征提取方式,以便于后续准确提取人脸图像的人脸特征来进行准确地异常检测,保证了异常检测的准确性。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附
图中:
图1为本说明书提供的异常检测模型的训练方法的流程示意图;
图2为本说明书提供的异常检测模型的训练装置的结构示意图;
图3为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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,都属于本说明书保护的范围。
目前,随着互联网技术的发展,图像生成技术也得到了发展。利用图像生成技术来进行攻击的手段也层出不穷,给用户的个人隐私带来了隐患。以图像生成技术中的人脸合成技术为例,使用人脸合成技术合成的人脸,通常可被用于虚假注册等违规活动。
基于此,本说明书提供一种新的异常检测方法。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书中一种异常检测模型的训练方法的执行流程示意图,具体包括以下步骤:
S100:获取真实人脸图像,作为正样本,以及获取合成人脸图像,作为负样本,将所述正样本和所述负样本作为训练样本。
在本说明书提供的一个或多个实施例中,该异常检测模型的训练方法可由服务器执行。
为了解决在进行异常检测时,使用待检测的人脸图像和预存的若干指定人脸图像之间的相似度来进行异常检测,在指定人脸图像的数量较多的情况下,对于计算资源要求也较高的问题。本说明书提供一种异常检测模型的训练方法,通过训练一个可基于提取到的特征准确分辨真实人脸图像和合成人脸图像的模型,在获取到待检测的人脸图像时,可仅将待检测的人脸图像输入该异常检测模型中,即确定该人脸图像对应的异常检测结果。因此,该服务器可训练该异常检测模型。而通常情况下,模型训练可分为样本确定阶段、样本处理阶段和训练阶段。
基于此,该服务器可获取训练样本。
具体的,由于本说明书提供的该异常检测模型,其用途为检测非真实人脸图像,即,合成人脸图像。因此,该异常检测模型的训练目标应当为将真实人脸图像和合成人脸图像进行区分。
于是,该服务器可获取若干真实人脸图像,作为各正样本。以及获取若干合成人脸图像,作为负样本。则确定出的正样本和负样本都可作为训练样本。
其中,合成人脸图像可为由人脸生成模型自动生成,或者,由其他可对人脸图像进行操作的模型,将真实人脸图像中的某区域或某部位进行替换生成。具体该异常人脸图像如何确定可根据需要进行设置,本说明书对此不做限制。
需要说明的是,本说明书中所有获取人脸图像的动作都是在遵照所在地国家相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
S102:确定由若干训练样本构成的样本集。
在本说明书提供的一个或多个实施例中,在确定出训练样本后,该服务器还可从各训练样本中,选择若干训练样本,作为该样本集。则后续可基于该样本集中包含的各训练样本来对该异常检测模型进行训练。具体该样本集如何确定,以及样本集中包含的样本数量,均可根据需要进行设置,本说明书对此不做限制。
S104:针对所述样本集中的每个训练样本,将该训练样本输入待训练的异常检测模型的特征提取层,得到所述特征提取层输出的该训练样本的样本特征。
在本说明书提供的一个或多个实施例中,本说明书提供的该异常检测模型,其训练目标是基于人脸图像的特征,将真实人脸图像和合成人脸图像进行准确分类,以检测出合成人脸图像。而通常情况下,针对一类数据,可基于该类数据分别对应的特征,学习到可用于表征该类数据的特征。基于此,该服务器可先确定各训练样本分别对应的样本特征。
具体的,针对该样本集中的每个训练样本,该服务器可将该训练样本作为输入,输入该待训练的异常检测模型的特征提取层,得到该特征提取层输出的该训练样本对应的样本特征。
其中,该特征提取层用于确定人脸图像对应的特征,以便于后续可基于分类层对提取出的特征进行分类,准确确定待检测人脸图像的分类结果。
S106:将该训练样本输入所述异常检测模型的分类层,得到所述分类层输出的该训练样本的检测结果。
本说明书提供的该异常检测模型的训练方法中,该异常检测模型包含特征提取层和分类层。其中,该特征提取层用于提取各训练样本分别对应的样本特征,该分类层用于基于提取出的样本特征,对各训练样本进行分类。而本说明书提供的该异常检测模型,其目的是学习到可较为准确地表征人脸图像是否异常的特征表示,以使分类层可根据前述特征提取层确定出的样本特征,准确确定样本特征对应的分类。
具体的,该服务器可针对每个训练样本,将该训练样本对应的样本特征作为输入,输入该异常检测模型的分类层,得到该分类层输出的该训练样本的检测结果。
其中,该分类层可为卷积神经网络、循环神经网络、多层感知机等多种网络结构。该分类层输出的检测结果可为该训练样本正常还是异常,还可为该训练样本正常或异常的概率。具体该分类层的网络结构和该检测结果对应的类型,可根据需要进行设置,本说明书对此不做限制。
S108:根据所述样本集中各正样本的样本特征,确定用于表征正样本的共性的代表特征。
在本说明书提供的一个或多个实施例中,合成人脸图像通常为将真实人脸图像的某一部位的图像替换为其他人脸图像中的同一部位的图像,其中,该部位可为五官、整个面部等等。但由于各人脸图像中的肤色、五官等特征存在差别,因此,合成人脸图像中,原始人脸图像区域和替换后的图像区域的像素值差距可能较大,也就是说,相较于真实人脸图像,合成人脸图像中用于表征面部肤色差距,五官与面部轮廓之间的比例等的特征就会更不协调。因此,若基于上述特征进行特征提取,则提取后的特征可将真实人脸图像和合成人脸图像进行区分。
但由于各合成人脸图像中被替换的部分不完全相同,替换之前的肤色差距等特征也不相同,因而每个合成人脸图像对应的特征之间可存在较大差别。也就是说,基于合成人脸图像的特征,难以得到合成人脸图像的具有共性的特征。而反观真实人脸图像,由于各真实人脸图像的上述特征更加协调,因此,可基于真实人脸图像的特征,得到真实人脸的具有共性的特征。其中,该共性可为各人脸图像中的面部肤色差距、五官与面部轮廓之间的比例等特征。
如前所述的,该异常检测模型的训练目标为可基于各训练样本的样本特征准确区分正样本和负样本。本说明书提供一种分类思想:在确定出表征正样本共性的代表特征的情况下,以各正样本的样本特征与代表特征的距离较近,负样本的样本特征与代表特征的距离较远为约束,则可基于确定出的样本特征来检测出合成人脸图像。基于此,该服务器可基于各正样本的样本特征,确定用于表征正样本的共性的代表特征,以便于后续基于该代表特征来训练该异常检测模型。
具体的,该服务器可根据各训练样本的标注,从该样本集中,确定出正样本。
然后,该服务器可根据该样本集中各正样本的样本特征,确定各正样本的样本特征的特征均值。
最后,该服务器可直接将确定出的特征均值作为表征正样本的共性的代表特征。其中,该正样本的共性,为可较易与负样本的特征区分开的性质。如,正样本中的人脸图像像素差较小,负样本中的人脸图像像素差较大等。则基于上述确定出的代表特征,可基于正样本和代表特征的距离和负样本与代表特征之间的距离,快速区分开正负样本。
进一步的,通常情况下,若一些数据可聚集为一类,则该聚集得到的聚类簇对应的簇中心,可用于表征这些数据的共性。同样的,若将正样本进行聚类,则正样本对应的聚类簇的簇中心可用于表征该正样本的共性。
基于此,该服务器可根据确定出的该样本集中各正样本的样本特征,对各正样本进行聚类,并确定聚类簇对应的簇中心,作为表征该正样本的共性的代表特征。
另外,针对每张合成人脸图像,该合成人脸图像在生成时采用的手段与其他合成人脸图像生成时采用的手段不完全相同。如,合成人脸图像A采用高斯模糊的手段生成,合成人脸图像B采用液化的手段生成。而生成时采用的技术手段的不同也为各合成人脸图像的特征带来了差异化,进一步导致基于各合成人脸图像的样本特征,无法得到保证各合成人脸图像的共性的特征。
需要说明的是,该共性可具有具体物理意义,也可无实际物理意义,而仅用于表征正样本区分于负样本的共性。
S110:以所述样本集中各正样本的样本特征和所述代表特征之间的差异最小、所述样本集中各负样本的样本特征和所述代表特征之间的差异最大,以及所述样本集中各训练样本的检测结果及其标注之间的差异最小为优化目标,对所述异常检测模型进行训练,训练完成的所述异常检测模型用于检测合成人脸图像。
在本说明书提供的一个或多个实施例中,在执行完样本确定阶段和样本处理阶段后,可执行训练阶段。也就是说,在对训练样本进行相应处理后,可对模型进行训练。而如前所述的,本说明书中的该异常检测模型,其目的是准确学习到各训练样本的特征表示。因此,本说明书中可采用度量学习的损失,来对该异常检测模型进行训练。
具体的,该服务器可确定该样本集中包含的各正样本和负样本,并针对每个正样本,确定该正样本的样本特征,以及针对每个负样本,确定该负样本的样本特征。
其次,该服务器可根据各正样本的样本特征和该代表特征,确定各正样本的样本特征和该代表特征之间的差异。以及根据各负样本的样本特征和该代表特征,确定各负样本的样本特征和该代表特征之间的差异。
然后,该服务器可针对该样本集中的每个训练样本,确定该训练样本的检测结果及其标注之间的差异。
最后,该服务器可以各正样本的样本特征和该代表特征之间的差异最小,各负样本的样本特征和该代表特征之间的差异最大,以及各训练样本的检测结果及其标注之间的差异最小为优化目标,对该异常检测模型的模型参数进行调整,以此来完成该异常检测模型的训练过程。
进一步的,通常情况下,模型训练过程中的训练目标为损失最小,则该服务器可基于上述差异,确定损失,并以损失最小为优化目标进行训练。
具体的,该服务器可根据各正样本的样本特征和该代表特征之差,来统计第一差值。其中,该第一差值可为TP指标,即,Top百分数。以TP99为例,则该服务器可针对每个正样本,确定该正样本的样本特征和该代表特征之差。并从各正样本的样本特征和该代表特征的差值中,确定99%的正样本和该代表特征之间的差值均小于的最小差异。则该服务器可将该最小差异作为第一差值。当然,该第一差值也可为平均数等指标。
同理,该服务器可根据各负样本的样本特征和该代表特征之差,来统计第二差值。其中,该第二差值与该第一差值的确定方式和类型相似,该第二差值同样可为平均数、TP指标等多种指标。
则在确定出第一差值和第二差值后,该服务器可根据该第一差值和该第二差值之差,确定第一损失,并根据各训练样本的检测结果及其标注,来确定第二损失。
最后,该服务器可以第一损失和第二损失之和最小为优化目标,对该异常检测模型的模型参数进行调整,以此来完成该异常检测模型的训练过程。
其中,该代表特征可用于辅助表征正样本的共性,则该第一损失用于将正样本的代表特征和各正样本的样本特征之间的差距,以及各负样本的样本特征和用于表征正样本共性的代表特征之间的差距进行量化。该第二损失用于将各训练样本的标注和检测结果之间的差距进行量化。则基于上述总损失确定出的异常检测模型,提取得到的正样本的特征标识在向量空间为可较为紧凑,而负样本的特征标识在向量空间中可与正样本之间的距离较远。
在本说明书提供的一个或多个实施例中,在训练完成该异常检测模型后,可将该训练完成的异常检测模型应用于人脸识别领域中,以便于识别出人脸图像是否为真实人脸图像。
具体的,部署该异常检测模型的服务器可接收携带有待检测人脸图像的检测请求,并从检测请求中确定出待检测的人脸图像。然后,该服务器可将该人脸图像输入该异常检测模型中,得到该异常检测模型输出的人脸图像的检测结果。最后,该服务器可根据该检测结果判断该待检测人脸图像是否为真实人脸图像。若是,则该服务器可继续接收其他检测请求,若否,则该服务器可发送提示信息,该提示信息用于提示该检测结果对应的人脸图像为合成人脸图像。
基于图1所述的异常检测模型的训练方法,获取真实人脸图像作为正样本,获取合成人脸图像作为负样本,并将各正样本和负样本作为训练样本,通过该异常检测模型的特征提取层提取各训练样本的样本特征,通过分类层得到各训练样本的检测结果,以及基于各正样本的样本特征确定用于表征正样本的共性的代表特征。根据各正样本的样本特征和代表特征之间的差异、各负样本的样本特征和代表特征之间的差异,以及各训练样本的检测结果及其标注之间的差异确定损失,以损失最小为优化目标对异常检测模型进行训练。以便基于训练完成的异常检测模型来检测合成人脸图像。本方法可基于代表特征,学习到准确的特征提取方式,以便于后续准确提取人脸图像的人脸特征来进行准确地异常检测,保证了异常检测的准确性。
进一步的,由于训练阶段对计算资源的要求较高,而在服务器现有的计算资源较少的情况下,可基于少量样本多次迭代训练该异常检测模型。而对于每个迭代训练,训练该异常检测模型时使用的训练样本中,正样本的数量并不固定。则在正样本数量较少的情况下,仅基于本次训练时使用的正样本的样本特征,无法准确表征正常这一类别。因此,在本说明书还可采用动量法来更新代表特征。
具体的,该服务器可确定本次迭代过程中该样本集中各正样本的样本特征的特征均值,并将该特征均值作为参考特征,以及确定上一次迭代过程中确定出的正样本的代表特征。
然后,该服务器可根据该参考特征以及该参考特征的权重,以及上一次迭代过程中该确定出的正样本的代表特征及其权重,确定本次迭代过程中得到的用于表征正样本共性的代表特征。
以本次迭代为第n次迭代为例,若参考特征的权重为a,上一次迭代过程中确定出的代表特征的权重为1-a,则本次迭代得到的代表特征可为:Pn=aPe+(1-a)Pn-1。
更进一步的,在步骤S108中,在确定第一损失时,该服务器可还可根据第一差值和该第二差值之差,确定对比差值,再将该第一差值和该对比差值之和,作为第一损失。以使基于该第一损失调整得到的异常检测模型,将正样本的样本特征更靠近于代表特征。
以Dr表征第一差值,Df表征第二差值为例,则该第一损失可为L1=Dr+(Dr-Df)。
另外,为了进一步区分正样本和负样本,使得正样本的样本特征和负样本的特征特征之间的差距大于预设阈值,该服务器还可采用max函数来将正样本和负样本之间的差距进一步量化。则以Dr表征第一差值,Df表征第二差值为例,则该第一损失可为L1=Dr+max(Dr-Df+m,0)。则该第一损失可当正样本和负样本的差距足够大时,将第一差值作为第一损失,当该在正样本和负样本的差距不够大时,根据第一差值、第二差值和该差距阈值来确定第一损失,以表征该异常检测模型朝着正样本和负样本之间差距足够大的方向进行优化。
进一步的,上述统计第一差值和第二差值时,该服务器还可采用确定均值的方法,来确定该第一差值和第二差值。
具体的,该服务器可针对样本集中的每个正样本,确定该正样本的样本特征和所述代表特征之差,作为初始正差值。并根据各初始正差值的均值,确定第一差值。
同时,该服务器可针对样本集中的每个负样本,确定该负样本的样本特征和所述代表特征之差,作为初始负差值,并根据各初始负差值的均值,确定第二差值。
需要说明的是,上述公式中,用二阶范数表征样本特征和代表特征之差,仅为对样本特征和代表特征之差进行量化的示例说明,且上述基于max函数来表征第一损失也仅为对第一损失的示例说明,具体如何表征该样本特征和代表特征之差,以及各样本特征的具体表征方式、代表特征的具体表征方式和各损失的表征方式等,均可根据需要进行设置,本说明书对此不做限制。
更进一步的,若样本集中正样本的数量较多,则仅基于样本集中正样本的数量即可确定出准确的代表特征。因此,该服务器还可确定样本集中正样本的数量,若所述样本集中正样本的数量大于预设的数量阈值,则该服务器可根据所述样本集中各正样本的样本特征,确定所述各正样本的样本特征的特征均值,作为用于表征正样本的共性的代表特征。即,将上述参考特征直接作为代表特征。
当然,该服务器还可针对于每一次迭代过程,确定该迭代过程中样本集中包含的正样本的数量,当该数量大于预设的数量阈值时,根据样本集中各正样本的样本特征来确定代表特征。
以上为本说明书的一个或多个实施例提供的异常检测模型的训练方法,基于同样的思路,本说明书还提供了相应的异常检测模型的训练装置,如图2所示。
图2为本说明书提供的异常检测模型的训练装置的结构示意图。所述数据处理装置用于分布式数据库中的处理节点。其中:
获取模块200,用于获取真实人脸图像,作为正样本,以及获取合成人脸图像,作为负样本,将所述正样本和所述负样本作为训练样本。
第一确定模块202,用于确定由若干训练样本构成的样本集。
提取模块204,用于针对样本集中的每个训练样本,将该训练样本输入待训练的异常检测模型的特征提取层,得到所述特征提取层输出的该训练样本的样本特征。
分类模块206,用于将该样本特征输入所述异常检测模型的分类层,得到所述分类层输出的该训练样本的检测结果。
第二确定模块208,用于根据所述样本集中各正样本的样本特征,确定用于表征正样本的共性的代表特征。
训练模块210,用于以所述样本集中各正样本的样本特征和所述代表特征之间的差异最小、所述样本集中各负样本的样本特征和所述代表特征之间的差异最大,以及所述样本集中各训练样本的检测结果及其标注之间的差异最小为优化目标,对所述异常检测模型进行训练,训练完成的所述异常检测模型用于检测合成人脸图像。
可选地,所述异常检测模型通过多次迭代过程训练得到,第二确定模块208,用于根据本次迭代过程中所述样本集中各正样本的样本特征的特征均值,确定参考特征,以及确定上一次迭代过程中确定出的用于表征正样本的共性的代表特征;根据所述参考特征及其权重,以及所述上一次迭代过程中确定出的正样本的代表特征及其权重,确定本次迭代过程得到的用于表征正样本的共性的代表特征。
可选地,所述训练模块210,用于根据所述样本集中各正样本的样本特征和所述代表特征之差,统计第一差值;以及,根据所述样本集中各负样本的样本特征和所述代表特征之差,统计第二差值,根据所述第一差值与所述第二差值之差,确定第一损失,根据所述样本集中各训练样本的检测结果及其标注,确定第二损失,以所述第一损失和所述第二损失之和最小为优化目标,对所述异常检测模型进行训练。
可选地,所述训练模块210,用于根据所述第一差值与所述第二差值之差,确定对比差值;将所述第一差值和所述对比差值之和,作为第一损失。
可选地,所述训练模块210,用于根据所述第一差值与所述第二差值之差,确定对比差值;若所述对比差值小于预设的差异阈值,将所述第一差值作为第一损失;若所述对比差值不小于所述差异阈值,将所述第一差值、所述对比差值和所述差异阈值之和,作为第一损失。
可选地,所述训练模块210,用于针对所述样本集中的每个正样本,确定该正样本的样本特征和所述代表特征之差,作为初始正差值;根据各初始正差值的均值,确定第一差值;针对所述样本集中的每个负样本,确定该负样本的样本特征和所述代表特征之差,作为初始负差值;根据各初始负差值的均值,确定第二差值。
可选地,所述第二确定模块208,用于若所述样本集中正样本的数量大于预设的数量阈值,根据所述样本集中各正样本的样本特征,确定所述各正样本的样本特征的特征均值,作为用于表征正样本的共性的代表特征。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的异常检测模型的训练方法。
本说明书还提供了图3所示的电子设备的示意结构图。如图3所述,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的异常检测模型的训练方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
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,对于系统实施例而言,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。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种异常检测模型的训练方法,包括:
获取真实人脸图像,作为正样本,以及获取合成人脸图像,作为负样本,将所述正样本和所述负样本作为训练样本;
确定由若干训练样本构成的样本集;
针对所述样本集中的每个训练样本,将该训练样本输入待训练的异常检测模型的特征提取层,得到所述特征提取层输出的该训练样本的样本特征;
将该样本特征输入所述异常检测模型的分类层,得到所述分类层输出的该训练样本的检测结果;
根据所述样本集中各正样本的样本特征,确定用于表征正样本的共性的代表特征;
以所述样本集中各正样本的样本特征和所述代表特征之间的差异最小、所述样本集中各负样本的样本特征和所述代表特征之间的差异最大,以及所述样本集中各训练样本的检测结果及其标注之间的差异最小为优化目标,对所述异常检测模型进行训练,训练完成的所述异常检测模型用于检测合成人脸图像。
2.如权利要求1所述的方法,所述异常检测模型通过多次迭代过程训练得到;
根据所述样本集中各正样本的样本特征,确定用于表征正样本的共性的代表特征,具体包括:
根据本次迭代过程中所述样本集中各正样本的样本特征的特征均值,确定参考特征,以及确定上一次迭代过程中确定出的用于表征正样本的共性的代表特征;
根据所述参考特征及其权重,以及所述上一次迭代过程中确定出的正样本的代表特征及其权重,确定本次迭代过程得到的用于表征正样本的共性的代表特征。
3.如权利要求1所述的方法,以所述样本集中各正样本的样本特征和所述代表特征之间的差异最小、所述样本集中各负样本的样本特征和所述代表特征之间的差异最大,以及所述样本集中各训练样本的检测结果及其标注之间的差异最小为优化目标,对所述异常检测模型进行训练,具体包括:
根据所述样本集中各正样本的样本特征和所述代表特征之差,统计第一差值;以及,根据所述样本集中各负样本的样本特征和所述代表特征之差,统计第二差值;
根据所述第一差值与所述第二差值之差,确定第一损失;
根据所述样本集中各训练样本的检测结果及其标注,确定第二损失;
以所述第一损失和所述第二损失之和最小为优化目标,对所述异常检测模型进行训练。
4.如权利要求3所述的方法,根据所述第一差值与所述第二差值之差,确定第一损失,具体包括:
根据所述第一差值与所述第二差值之差,确定对比差值;
将所述第一差值和所述对比差值之和,作为第一损失。
5.如权利要求3所述的方法,根据所述第一差值与所述第二差值之差,确定第一损失,具体包括:
根据所述第一差值与所述第二差值之差,确定对比差值;
若所述对比差值小于预设的差异阈值,将所述第一差值作为第一损失;
若所述对比差值不小于所述差异阈值,将所述第一差值、所述对比差值和所述差异阈值之和,作为第一损失。
6.如权利要求3所述的方法,根据所述样本集中各正样本的样本特征和所述代表特征之差,统计第一差值;以及,根据所述样本集中各负样本的样本特征和所述代表特征之差,统计第二差值,具体包括:
针对所述样本集中的每个正样本,确定该正样本的样本特征和所述代表特征之差,作为初始正差值;
根据各初始正差值的均值,确定第一差值;
针对所述样本集中的每个负样本,确定该负样本的样本特征和所述代表特征之差,作为初始负差值;
根据各初始负差值的均值,确定第二差值。
7.如权利要求1所述的方法,根据所述样本集中各正样本的样本特征,确定用于表征正样本的共性的代表特征,具体包括:
若所述样本集中正样本的数量大于预设的数量阈值,根据所述样本集中各正样本的样本特征,确定所述各正样本的样本特征的特征均值,作为用于表征正样本的共性的代表特征。
8.一种异常检测模型的训练装置,包括:
获取模块,用于获取真实人脸图像,作为正样本,以及获取合成人脸图像,作为负样本,将所述正样本和所述负样本作为训练样本;
第一确定模块,用于确定由若干训练样本构成的样本集;
提取模块,用于针对样本集中的每个训练样本,将该训练样本输入待训练的异常检测模型的特征提取层,得到所述特征提取层输出的该训练样本的样本特征;
分类模块,用于将该样本特征输入所述异常检测模型的分类层,得到所述分类层输出的该训练样本的检测结果;
第二确定模块,用于根据所述样本集中各正样本的样本特征,确定用于表征正样本的共性的代表特征;
训练模块,用于以所述样本集中各正样本的样本特征和所述代表特征之间的差异最小、所述样本集中各负样本的样本特征和所述代表特征之间的差异最大,以及所述样本集中各训练样本的检测结果及其标注之间的差异最小为优化目标,对所述异常检测模型进行训练,训练完成的所述异常检测模型用于检测合成人脸图像。
9.一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~7任一项所述的方法。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述权利要求1~7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211600732.5A CN116152933A (zh) | 2022-12-12 | 2022-12-12 | 一种异常检测模型的训练方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211600732.5A CN116152933A (zh) | 2022-12-12 | 2022-12-12 | 一种异常检测模型的训练方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116152933A true CN116152933A (zh) | 2023-05-23 |
Family
ID=86357405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211600732.5A Pending CN116152933A (zh) | 2022-12-12 | 2022-12-12 | 一种异常检测模型的训练方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116152933A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116884077A (zh) * | 2023-09-04 | 2023-10-13 | 上海任意门科技有限公司 | 一种人脸图像类别确定方法、装置、电子设备及存储介质 |
-
2022
- 2022-12-12 CN CN202211600732.5A patent/CN116152933A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116884077A (zh) * | 2023-09-04 | 2023-10-13 | 上海任意门科技有限公司 | 一种人脸图像类别确定方法、装置、电子设备及存储介质 |
CN116884077B (zh) * | 2023-09-04 | 2023-12-08 | 上海任意门科技有限公司 | 一种人脸图像类别确定方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107358157B (zh) | 一种人脸活体检测方法、装置以及电子设备 | |
Luo et al. | Aircraft target detection in remote sensing images based on improved YOLOv5 | |
CN108960266B (zh) | 图像目标检测方法及装置 | |
CN109034183B (zh) | 一种目标检测方法、装置及设备 | |
US20200012885A1 (en) | Image processing methods and devices | |
CN115618964B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN114419679B (zh) | 基于可穿戴设备数据的数据分析方法、装置及系统 | |
JP7141518B2 (ja) | 指静脈照合方法、装置、コンピュータ機器、及び記憶媒体 | |
CN116152933A (zh) | 一种异常检测模型的训练方法、装置、设备及存储介质 | |
CN116049761A (zh) | 数据处理方法、装置及设备 | |
CN113887608B (zh) | 一种模型训练的方法、图像检测的方法及装置 | |
CN116630480B (zh) | 一种交互式文本驱动图像编辑的方法、装置和电子设备 | |
CN117197781A (zh) | 一种交通标志识别的方法、装置、存储介质及电子设备 | |
CN117313141A (zh) | 一种异常检测方法、装置、设备及可读存储介质 | |
CN115204318B (zh) | 事件自动层级分类方法及电子设备 | |
CN116757278A (zh) | 一种预测模型的训练方法、装置、存储介质及电子设备 | |
CN116664514A (zh) | 数据处理方法、装置及设备 | |
CN111753583A (zh) | 一种识别方法及装置 | |
CN116246276A (zh) | 一种信息识别方法、装置、设备及可读存储介质 | |
CN111967365B (zh) | 影像连接点的提取方法和装置 | |
CN117523218A (zh) | 标签生成、图像分类模型的训练、图像分类方法及装置 | |
CN114926437A (zh) | 一种图像质量评价方法及装置 | |
CN116340852B (zh) | 一种模型训练、业务风控的方法及装置 | |
CN112115952B (zh) | 一种基于全卷积神经网络的图像分类方法、设备及介质 | |
CN113204664B (zh) | 一种图像聚类方法及装置 |
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 |