CN116645562A - 一种细粒度伪造图像的检测方法及其模型训练方法 - Google Patents
一种细粒度伪造图像的检测方法及其模型训练方法 Download PDFInfo
- Publication number
- CN116645562A CN116645562A CN202310688304.0A CN202310688304A CN116645562A CN 116645562 A CN116645562 A CN 116645562A CN 202310688304 A CN202310688304 A CN 202310688304A CN 116645562 A CN116645562 A CN 116645562A
- Authority
- CN
- China
- Prior art keywords
- counterfeit
- image
- fine
- fake
- mask
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012549 training Methods 0.000 title claims abstract description 49
- 230000006870 function Effects 0.000 claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000005259 measurement Methods 0.000 claims abstract description 5
- 238000000605 extraction Methods 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims 3
- 238000009991 scouring Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013461 design Methods 0.000 abstract description 3
- 238000013527 convolutional neural network Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 3
- LJROKJGQSPMTKB-UHFFFAOYSA-N 4-[(4-hydroxyphenyl)-pyridin-2-ylmethyl]phenol Chemical compound C1=CC(O)=CC=C1C(C=1N=CC=CC=1)C1=CC=C(O)C=C1 LJROKJGQSPMTKB-UHFFFAOYSA-N 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013475 authorization Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
-
- 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
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
Abstract
本发明公开了一种细粒度伪造图像的检测方法及其模型训练方法,所述检测方法采用分层伪造属性分类技术,输出每层伪造属性的分类预测值,输出伪造图像预测掩膜,满足不同细粒度伪造图像的检测、伪造区域定位需求,该方法能快速简单地进行部署并应用在伪造图像检测相关领域。细粒度伪造图像检测模型的训练方法采用分层伪造属性分类预测值计算公式、采用多种损失函数约束模型各模块参数更新,设计基于深度度量学习的方法的定位损失函数、自适应类中心个数的SoftTripleLoss分类损失函数,提升模型伪造属啊性分类预测性能、伪造区域定位性能,从而提高伪造区域定位准确率、伪造属性分类准确率。该方法能推广到更一般的伪造图像检测任务中。
Description
技术领域
本发明涉及计算机视觉、深度学习、人工智能技术、伪造图像检测技术领域,尤其涉及一种细粒度伪造图像的检测方法及其模型训练方法。
背景技术
伪造图像若被不当利用会带来严重负面影响,不同伪造图像生成方法导致伪造属性差异,使得研究统一图像伪造检测、定位方法具有很大挑战性。伪造图像的检测、伪造区域定位目前常针对特定伪造图像生成技术采用基于深度学习的方法来实现,而该方法往往只在特定伪造属性下有效,泛化性较差。本发明提出一种细粒度伪造图像的检测方法,本发明所述方法采用分层伪造属性分类技术,输出每层伪造属性的分类预测值,所述方法还输出伪造图像预测掩膜,满足细粒度伪造图像的检测、伪造区域定位需求。本发明还提出一种细粒度伪造图像检测模型的训练方法,所述方法采用分层伪造属性分类预测值计算公式、采用多种损失函数约束模型各模块参数更新,提高模型伪造属性分类预测性能、伪造区域定位性能。同时本发明还有重要的应用前景。
一种细粒度伪造图像的检测方法及其模型训练方法,主要包含细粒度伪造图像的检测方法、细粒度伪造图像检测模型的训练方法。“深度伪造图像检测方法及装置”(授权公告号:CN112183501B),提出分别使用三个卷积神经网对输入的人脸图像进行特征提取、特征融合、特征再提取,通过线性分类器及归一化处理输出人脸图像真假分类的概率置信度。“深度伪造图像检测及模型训练方法、装置、设备、介质”(申请公布号:
CN112598643A),提出采用孪生网络分别提取一对真伪图像的特征向量,计算一对真伪图像特征向量的距离、所述APN的损失函数,并根据所述APN的损失函数所确定的检测模型损失函数训练检测模型。“一种基于细粒度特征的深度伪造图像检测方法和系统”(申请公布号:CN115690501A),提出利用图像检测主干网络提取特征,对全局特征沿水平分成若干块构建细粒度特征,并通过分类损失进行约束训练。
上述具体专利对比文件为:
⑴深度伪造图像检测方法及装置(授权公告号:CN112183501B)
该发明公开了一种深度伪造图像检测方法及装置,该方法包括:执行人脸图像输入,输入的人脸图像包括真实人脸图像和伪造人脸图像;采用第一卷积神经网络对人脸图像进行初步人脸特征提取;对人脸图像进行包含纹理特征的传统图像特征提取,采用第二卷积神经网络对传统图像特征进行动态调整加工;将初步人脸特征和传统图像特征在通道维度叠加,获得人脸图像的融合特征;对融合特征采用第三卷积神经网络进行特征再提取,特征再提取使初步人脸特征和加工后的传统图像特征进行特征交互;根据再提取特征输出人脸图像真假分类的概率置信度。本发明融合传统图像特征和深度学习,能显著提升深度伪造图像检测模型的准确率和泛化性能。
本发明所述的伪造图像检测方法面向对象为多种类别伪造图像,伪造图像检测网络模型的特征识别与检测模块结构为层级结构,采用层级式伪造属性分类计算公式,检测网络模型输出待检测图像的各层级伪造属性概率置信度,与对比文件不同。
(2)深度伪造图像检测及模型训练方法、装置、设备、介质(申请公布号:CN112598643A)
该专利公开了一种深度伪造图像检测及模型训练方法、装置、设备、介质和产品,涉及图像处理技术领域,具体涉及深度学习、计算机视觉等人工智能技术领域。该训练方法包括:根据第一图像和APN输出的ROI信息,获取第一ROI图像;根据ROI信息和第二图像,获取第二ROI图像;采用孪生网络,分别对应上述两个ROI图像提取第一图像特征向量和第二图像特征向量;计算上述两个图像特征向量的距离,根据距离计算APN的损失函数,使得APN的训练目标为最大化所述距离;根据APN的损失函数确定所述检测模型的损失函数,并根据所述检测模型的损失函数训练所述检测模型。该专利所述方法可以提高APN的准确度,进而提高深度伪造图像检测的准确度。
本发明所述的伪造图像检测模型训练方法构建多种损失函数来约束伪造图像检测模型参数更新,包括二值交叉熵损失函数、基于深度度量学习的定位损失函数、自适应类中心个数的SoftTripleLoss分类损失函数,能较好地提升模型伪造区域定位性能、伪造属性分类性能,从而提升伪造区域定位准确率、伪造属性分类准确率。本发明所述的检测模型训练方法与对比文件不同。
(3)一种基于细粒度特征的深度伪造图像检测方法和系统(申请公布号:CN115690501A)
该发明公开了一种基于细粒度特征的深度伪造图像检测方法和系统,包括利用图像检测的主干网络提取特征,主干网络包括四个残差卷积块;对提取到的全局特征沿水平分成若干块,构建细粒度特征,并将细粒度特征用于引导残差卷积块的输出特征,利用损失函数约束;将细粒度特征和全局特征通过池化,并对池化输出的特征通过分类损失进行约束训练。本发明在并不需要涉及复杂的注意力机制模块,也不引入额外的训练参数,就可以增加使得模型获取到更鲁棒的特征,跨域的深度伪造检测准确率有显著的提升。
本发明所述的伪造图像检测方法采用检测模型的特征提取模块提取特征,通过特征识别与检测模块的层级式伪造属性分类计算公式对细粒度伪造图像进行分层分类,最终输出每层的伪造属性置信度预测值,与对比文件不同。
发明内容
为解决上述技术问题,本发明的目的是提供一种细粒度伪造图像的检测方法,实现统一图像伪造检测、定位,满足不同细粒度伪造图像检测、伪造区域定位需求。
本发明的目的通过以下的技术方案来实现:
一种细粒度伪造图像的检测方法,包括:
步骤A1将待检测图像输入到伪造图像检测模型的特征提取模块,输出待检测图像的特征信息;
步骤A2将待检测图像的特征信息、掩膜真值输入于伪造图像检测模型的特征识别与检测模块,输出细粒度伪造属性分类预测值、预测掩膜与伪造区域定位准确率;
步骤A3评价细粒度伪造属性分类预测值、预测掩膜与伪造区域定位准确率,输出检测结果。
一种细粒度伪造图像检测模型的训练方法,包括
步骤B1制作细粒度伪造图像检测数据集;
步骤B2将数据集中待训练伪造图像输入伪造图像检测模型的特征提取模块,输出特征集合
步骤B3将特征集合和待训练伪造图像掩膜真值mask输入伪造图像检测模型的特征识别与检测模块,输出细粒度伪造属性分类预测值prob、预测掩膜pred_mask;
步骤B4构建损失函数约束伪造图像检测模型各模块参数的更新;
步骤B5设置训练迭代次数及训练参数,每次迭代重复上述步骤B2至步骤B4,直至迭代结束;
步骤B6在训练迭代中设置验证环节,伪造图像检测模型各项预测参数满足给定条件则保存当前模型训练参数。
与现有技术相比,本发明的一个或多个实施例可以具有如下优点:
本发明方法实现的细粒度伪造图像的检测方法,能识别不同类别的伪造属性,并分层输出相应的伪造属性分类预测值;细粒度伪造图像检测模型的训练方法,设计多种损失函数约束检测模型各模块参数更新,通过设计基于深度度量学习方法的定位损失函数提高模型的伪造区域定位性能、设计基于SoftTripleLoss的分类损失函数提高模型的伪造属性分类性能。本发明实现的方法能快速推广应用到伪造图像检测相关领域。
附图说明
图1是细粒度伪造图像检测方法流程图;
图2是细粒度伪造图像检测模型训练方法流程图;
图3a-图3d是HiFi-Net模型各层级分类损失图;
图4是HiFi-Net模型分割及定位损失图;
图5是HiFi-Net模型二值交叉熵损失图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合实施例及附图对本发明作进一步详细的描述。
如图1所示,为细粒度伪造图像检测方法,包括以下步骤:
步骤101待检测图像输入伪造图像检测模型的特征提取模块,输出待检测图像的特征信息;
步骤102特征信息、待检测图像掩膜真值输入伪造图像检测模型的特征识别与检测模块,输出细粒度伪造属性分类预测值、预测掩膜、伪造区域定位准确率;
步骤103伪造图像检测模型综合评价各项预测指标,输出检测结果。
上述步骤101中:伪造图像检测模型具体为深度学习模型HiFi-Net,其包括特征提取模块UHRNet、特征识别与检测模块NLCDetection。特征提取模块输入为待检测图像,输出为特征信息,包括4个不同尺寸的多尺度融合特征图F1~F4。特征识别与检测模块具有多层级分类器、预测掩膜生成器,输入为特征图F1~F4,输出为伪造属性分类预测值p(yb|X)、预测掩膜pred_mask。
上述步骤102中:待检测图像掩膜真值具体为待检测图像伪造区域掩膜的二值图像mask,其中像素值0代表真实区域、1代表伪造区域。细粒度伪造属性分类具体为:层级零-真实/伪造图像;层级一:部分区域/全图区域伪造;层级二:图像编辑方法/CNN-based/GAN/Diffusion;层级三:条件/非条件伪造方法;层级四:各种伪造图像生成方法(splicing、copymove、inpainting、face2face、faceswap、StarGANv2、HiSD、DDPM、DDIM)。输出细粒度伪造属性分类具体方法如公式(1)所示,其中对于待检测图像X,当前层级分类器logits函数输出θb(X),当前层级分类器经过softmax函数输出相应类别下每个伪造属性的预测值p(yb|X)。伪造区域定位准确率通过预测掩膜pred_mask和待检测图像伪造区域掩膜真值mask计算像素级别准确率得到。
p(yb|X)=softmax(θb(X)⊙(1+p(yb-1|X))) (1)
上述步骤103中:各项预测指标具体为像素级别的准确率和F1分数、图像级别的准确率和F1分数、各层级的伪造属性分类预测值。输出检测结果具体为待检测图像是否为伪造图像;若是伪造图像,则识别伪造分类,输出预测掩膜。
【示例】采用真实图像进行细粒度伪造图像检测
真实图像经过检测模型的特征提取模块后的结果为:
经过检测模型的特征识别与检测模块后的结果为:
最后检测模型预测结果为:
如图2所示,为细粒度伪造图像检测模型训练方法流程,包括以下步骤:
步骤201制作细粒度伪造图像检测数据集;
步骤202数据集中待训练伪造图像输入伪造图像检测模型的特征提取模块,输出特征集合
步骤203将特征集合和待训练伪造图像掩膜真值mask输入伪造图像检测模型的特征识别与检测模块,输出细粒度伪造属性分类预测值prob、预测掩膜pred_mask;
步骤204构建损失函数约束伪造图像检测模型各模块参数的更新;
步骤205设置训练迭代次数及训练参数,每次迭代重复上述步骤202至步骤204,直至迭代结束;
步骤206在训练迭代中设置验证环节,伪造图像检测模型各项预测参数满足给定条件则保存当前模型训练参数。
上述步骤201中:细粒度伪造图像检测数据集由训练集、验证集、测试集组成。原始图像来源网络开源数据集,包括MSCOCO数据集、FFHQ数据集、AFHQ数据集、CelebaHQ数据集、LSUN数据集、Youtube face数据集。原始图像应用不同的伪造图像生成技术产生伪造图像,伪造图像生成技术包括FaceSwap、Face2Face、StarGANv2、DDPM、DDIM、HiSD、Copymove、Inpainting、Splicing。训练集包含上述原始图像、伪造图像各10K张图片;验证集包含上述原始图像、伪造图像各200张图片;测试集包含上述原始图像、伪造图像各1K张图片。
上述步骤202中:数据集中待训练伪造图像具体为训练集图像,伪造图像检测模型具体为深度学习模型HiFi-Net,输出特征集合具体为多尺度融合的特征图F1~F4。
上述步骤203中:待训练伪造图像掩膜真值mask具体为待检测图像伪造区域掩膜的二值图像,其中像素值0代表真实区域、1代表伪造区域。细粒度伪造属性分类预测值具体由公式(1)计算得到。
上述步骤204中:损失函数为以下损失函数之和:二值交叉熵(binary cross-entropy BCE)函数/>定位损失函数/>和分类损失函数/>公式(2)-(5)表示上述损失函数的计算方法,其中二值交叉熵函数采用pytorch函数工具包内的binary_cross_entropy函数;定位损失函数采用深度度量学习的方法,步骤201所述训练集中所有真实图像的特征像素平均值构造一个参考中心/>当掩膜M的某个像素为非伪造像素时,则计算步骤202所述的多尺度融合特征图对应像素Fij′与参考中心c的欧几里得距离,否则计算给定边界值τ与上述欧几里得距离的差值,并与0比较,最后取二者最大值。所有像素损失之和即为定位损失;分类损失函数采用自适应类中心个数的SoftTripleLoss进行计算。
其中,第i个样本的嵌入xi,对应的label为yi,网络最后的全连接层C表示类的数量,K表示每个类别有K个中心,d是embedding维数,λ为缩放因子,δ为类间间隔,Si′,c为示例xi和类别c之间的松弛相似性,γ和τ为比例因子,N为示例数。
上述步骤205具体包括:设置训练迭代次数为10,训练集数据加载采用Mini-batch策略,Nbatch分别可设置为正整数1,2,3……。检测模型的特征提取模块、特征识别与检测模块的参数学习率为0.0003,检测模型的SoftTripleLoss模块的参数学习率为0.01,优化器选用Adam优化器,采取loss不再降低或acc不再提高时降低学习率的学习策略。训练过程中,模型每次训练在训练集中挑选Nbatch个图片进行。可观测HiFi-Net模型各层级分类损失(如图3a-3d所示)、分割及定位损失/>(如图4所示)、二值交叉熵损失/>(如图5所示),若上述损失均有缩小趋势,则HiFi-Net模型收敛。
上述步骤206具体包括:每次训练迭代中,设置步长等于500步时进行一次验证环节。验证环节采用验证集图像,经过HiFi-Net模型后得到细粒度伪造属性分类预测值、预测掩膜。当前细粒度伪造属性分类预测准确率、预测掩膜像素级别的准确率均比上一次预测值有所提升,则保存模型各项参数的权重。
虽然本发明所揭露的实施方式如上,但所述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属技术领域内的技术人员,在不脱离本发明所揭露的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (10)
1.一种细粒度伪造图像的检测方法,其特征在于,所述方法包括以下步骤:
步骤A1将待检测图像输入到伪造图像检测模型的特征提取模块,输出待检测图像的特征信息;
步骤A2将待检测图像的特征信息、掩膜真值输入于伪造图像检测模型的特征识别与检测模块,输出细粒度伪造属性分类预测值、预测掩膜与伪造区域定位准确率;
步骤A3评价细粒度伪造属性分类预测值、预测掩膜与伪造区域定位准确率,输出检测结果。
2.如权利要求1所述的细粒度伪造图像的检测方法,其特征在于,所述伪造图像检测模型为分层细粒度深度学习网络模型,包含所述特征提取模块UHRNet、特征识别与检测模块NLCDetection;
所述特征提取模块UHRNet输入为待检测图像,输出为特征信息;所述特征信息包括至少四个不同尺寸的多尺度融合特征图;
所述特征识别与检测模块包含多层级分类模块、定位模块、预测掩膜生成器,输入至少四个不同尺寸的多尺度融合特征图,输出伪造属性分类预测值p(yb|X)与预测掩膜pred_mask。
3.如权利要求1所述的细粒度伪造图像的检测方法,其特征在于,所述步骤A1中的特征信息为多尺度融合后的特征矩阵集合。
4.如权利要求1所述的细粒度伪造图像的检测方法,其特征在于,所述步骤A2中,待检测图像伪造区域掩膜真值为二值矩阵;预测掩膜由定位模块生成,且预测掩膜为与待测图像形状相同的二值矩阵;伪造区域定位准确率由预测掩膜和待检测图像伪造区域掩膜真值计算像素级别准确率得到。
5.如权利要求1所述的细粒度伪造图像的检测方法,其特征在于,所述细粒度伪造属性分类预测值由多层级分类模块生成;多层级分类模块的每一层为一个分类器,且每个分类器识别相应类别下的多个伪造属性并输出相应类别下每个伪造属性的预测值;其中,每个伪造属性的预测值的生成过程包括:
将当前分类器的预测值作为先验值,参与下一个分类器预测值计算,依次类推,直至最后一个分类器计算完成,对于待检测图像X,当前分类器logits函数输出θb(X),当前分类器经过softmax函数输出相应类别下每个伪造属性的预测值p(yb|X):
p(yb|X)=softmax(θb(X)⊙(1+p(yb-1|X))) (1)。
6.如权利要求1所述的细粒度伪造图像的检测方法,其特征在于,所述步骤A3是通过伪造图像检测模型对细粒度伪造属性分类预测值、预测掩膜与伪造区域定位准确率的综合评价,获得图像的检测结果;
所述检测结果包括待检测图像是否为伪造图像;若是伪造图像,则识别伪造分类,输出预测掩膜。
7.一种细粒度伪造图像检测模型的训练方法,其特征在于,所述方法包括以下步骤:
步骤B1制作细粒度伪造图像检测数据集;
步骤B2将数据集中待训练伪造图像输入伪造图像检测模型的特征提取模块,输出特征集合
步骤B3将特征集合和待训练伪造图像掩膜真值mask输入伪造图像检测模型的特征识别与检测模块,输出细粒度伪造属性分类预测值prob、预测掩膜pred_mask;
步骤B4构建损失函数约束伪造图像检测模型各模块参数的更新;
步骤B5设置训练迭代次数及训练参数,每次迭代重复上述步骤B2至步骤B4,直至迭代结束;
步骤B6在训练迭代中设置验证环节,伪造图像检测模型各项预测参数满足给定条件则保存当前模型训练参数。
8.如权利要求7所述的细粒度伪造图像检测模型的训练方法,其特征在于,所述步骤B1中细粒度伪造图像检测数据集由训练集、验证集、测试集组成。
9.如权利要求7所述的细粒度伪造图像检测模型的训练方法,其特征在于,所述步骤B2中伪造图像检测模型为深度学习网络模型,包括特征提取模块、特征识别与检测模块;
所述特征提取模块输入为图像,输出为特征集合;
所述特征与检测模块输入特征集合,输出细粒度伪造属性分类预测值与预测掩膜;
所述的特征集合为多尺度融合特征图。
10.如权利要求7所述的细粒度伪造图像检测模型的训练方法,其特征在于,所述步骤B4损失函数为二值交叉熵函数/>定位损失函数/>和分类损失函数/>的损失函数之和,其中
二值交叉熵函数采用pytorch函数工具包内的binary_cross_entropy函数;
定位损失函数采用深度度量学习方法,通过训练集中所有真实图像的特征像素平均值构造一个参考中心当掩膜M的某个像素为非伪造像素时,则计算多尺度融合特征图F′对应像素Fij′与参考中心c的欧几里得距离,否则计算给定边界值τ与上述欧几里得距离的差值,并与0比较,最后取二者最大值;
所述损失函数之和为定位损失;
所述分类损失函数采用自适应类中心个数的SoftTripleLoss进行计算;
所述二值交叉熵BCE函数定位损失函数/>和分类损失函数/>的计算公式为:
其中,第i个样本的嵌入xi,对应的label为yi,网络最后的全连接层C表示类的数量,K表示每个类别有K个中心,d是embedding维数,λ为缩放因子,δ为类间间隔,S′i,c为示例xi和类别c之间的松弛相似性,γ和τ为比例因子,N为示例数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310688304.0A CN116645562A (zh) | 2023-06-12 | 2023-06-12 | 一种细粒度伪造图像的检测方法及其模型训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310688304.0A CN116645562A (zh) | 2023-06-12 | 2023-06-12 | 一种细粒度伪造图像的检测方法及其模型训练方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116645562A true CN116645562A (zh) | 2023-08-25 |
Family
ID=87624625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310688304.0A Pending CN116645562A (zh) | 2023-06-12 | 2023-06-12 | 一种细粒度伪造图像的检测方法及其模型训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116645562A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117611923A (zh) * | 2024-01-08 | 2024-02-27 | 北京锐融天下科技股份有限公司 | 一种身份证件真伪识别方法及系统 |
-
2023
- 2023-06-12 CN CN202310688304.0A patent/CN116645562A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117611923A (zh) * | 2024-01-08 | 2024-02-27 | 北京锐融天下科技股份有限公司 | 一种身份证件真伪识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109949317B (zh) | 基于逐步对抗学习的半监督图像实例分割方法 | |
CN113378632B (zh) | 一种基于伪标签优化的无监督域适应行人重识别方法 | |
CN111814584B (zh) | 基于多中心度量损失的多视角环境下车辆重识别方法 | |
CN110837836B (zh) | 基于最大化置信度的半监督语义分割方法 | |
CN109934293B (zh) | 图像识别方法、装置、介质及混淆感知卷积神经网络 | |
CN111738363B (zh) | 基于改进的3d cnn网络的阿尔茨海默病分类方法 | |
CN106372624B (zh) | 人脸识别方法及系统 | |
CN111008639B (zh) | 一种基于注意力机制的车牌字符识别方法 | |
CN113408605A (zh) | 基于小样本学习的高光谱图像半监督分类方法 | |
Li et al. | Detection-friendly dehazing: Object detection in real-world hazy scenes | |
CN112927266B (zh) | 基于不确定性引导训练的弱监督时域动作定位方法及系统 | |
Wang et al. | SmsNet: A new deep convolutional neural network model for adversarial example detection | |
CN116645562A (zh) | 一种细粒度伪造图像的检测方法及其模型训练方法 | |
CN114692732A (zh) | 一种在线标签更新的方法、系统、装置及存储介质 | |
CN114187493A (zh) | 一种基于生成对抗网络的零样本学习算法 | |
CN111126155B (zh) | 一种基于语义约束生成对抗网络的行人再识别方法 | |
CN116452862A (zh) | 基于领域泛化学习的图像分类方法 | |
CN117218707B (zh) | 一种基于积极扰动的Deepfake人脸检测方法 | |
CN115830401B (zh) | 一种小样本图像分类方法 | |
CN112070116A (zh) | 一种基于支持向量机的艺术画作自动分类系统及方法 | |
CN116452472A (zh) | 基于语义知识引导的低照度图像增强方法 | |
CN116343135A (zh) | 一种基于纯视觉的特征后融合车辆重识别方法 | |
CN105718858A (zh) | 一种基于正负广义最大池化的行人识别方法 | |
CN111553202B (zh) | 进行活体检测的神经网络的训练方法、检测方法及装置 | |
CN114693607A (zh) | 基于多域块特征标志点配准的篡改视频检测方法及系统 |
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 |