CN117576748A - 一种伪造检测模型训练方法、装置、存储介质及电子设备 - Google Patents
一种伪造检测模型训练方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN117576748A CN117576748A CN202311555157.6A CN202311555157A CN117576748A CN 117576748 A CN117576748 A CN 117576748A CN 202311555157 A CN202311555157 A CN 202311555157A CN 117576748 A CN117576748 A CN 117576748A
- Authority
- CN
- China
- Prior art keywords
- face
- image
- contour
- sample
- face image
- 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 191
- 238000000034 method Methods 0.000 title claims abstract description 99
- 238000012549 training Methods 0.000 title claims abstract description 77
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims description 19
- 230000004927 fusion Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 238000007499 fusion processing Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 17
- 238000005516 engineering process Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 230000006872 improvement Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 210000000887 face Anatomy 0.000 description 6
- 239000000284 extract Substances 0.000 description 4
- 210000004709 eyebrow Anatomy 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本说明书实施例公开了一种伪造检测模型训练方法、装置、存储介质及电子设备，包括：获取样本人脸图像，然后对样本人脸图像进行预处理，生成包含人脸轮廓区域的轮廓注意力图像，在将轮廓注意力图像和样本人脸图像一起输入至伪造检测模型中，得到样本人脸图像对应的预测标签，最后以预测标签和样本人脸图像对应的真实标签的差异最小化为优化目标，调整伪造检测模型的模型参数。
Description
技术领域
本发明涉及计算机技术，尤其涉及一种伪造检测模型训练方法、装置、存储介质及电子设备。
背景技术
深度伪造是指使用人工智能和深层学习技术对音视频媒体数据进行操纵和篡改的造假技术，基于深度伪造技术的伪造人脸对互联网安全系统造成了极大挑战，且对个人隐私保护不利。目前对深度伪造人脸图像进行检测的方法通常是直接对整张人脸图像笼统地进行二分类预测判断，这种检测方案对深度伪造人脸图像无法形成具有针对性的检测方向，整体检测效果欠佳。
发明内容
本说明书实施例提供一种伪造检测模型训练方法，该方法训练得到的伪造检测模型融合了人脸轮廓注意力，可以提升对伪造人脸图像检测准确率，所述方法包括：
获取样本人脸图像；
对所述样本人脸图像进行预处理，生成包含人脸轮廓区域的轮廓注意力图像；
将所述轮廓注意力图像以及所述样本人脸图像输入至伪造检测模型中，得到所述样本人脸图像对应的预测标签；
以所述预测标签和所述样本人脸图像对应的真实标签的差异最小化为优化目标，调整所述伪造检测模型的模型参数。
进一步地，在一些实施方式中，所述对所述样本人脸图像进行预处理，生成包含人脸轮廓区域的轮廓注意力图像，包括：
对所述样本人脸图像进行人脸关键点检测，得到所述样本人脸图像中样本人脸对应的各人脸关键点；
根据所述各人脸关键点生成包含人脸轮廓区域的轮廓注意力图像，所述人脸轮廓区域根据所述各人脸关键点中的人脸外轮廓点生成。
进一步地，在一些实施方式中，所述根据所述各人脸关键点生成包含人脸轮廓区域的轮廓注意力图像，包括：
在所述各人脸关键点中确定所述样本人脸对应的各人脸外轮廓点；
根据各所述人脸外轮廓点在所述样本人脸图像中确定所述人脸轮廓区域；
基于所述人脸轮廓区域生成所述轮廓注意力图像。
进一步地，在一些实施方式中，所述根据各所述人脸外轮廓点的坐标在所述样本人脸图像中确定所述人脸轮廓区域，包括：
对各所述人脸外轮廓点进行环形连接生成人脸轮廓线；
以所述人脸轮廓线为中心线，将距离所述人脸轮廓线预设距离内的区域作为所述人脸轮廓区域。
进一步地，在一些实施方式中，所述基于所述人脸轮廓区域生成所述轮廓注意力图像，包括：
根据所述人脸轮廓区域为所述样本人脸图像中各像素点添加注意力权重值，所述人脸轮廓区域内的各像素点对应的注意力权重值大于所述人脸轮廓区域外的各像素点对应的注意力权重值；
基于所述各像素点分别对应的所述注意力权重值生成所述轮廓注意力图像。
进一步的，在一些实施方式中，所述将所述轮廓注意力图像以及所述样本人脸图像输入至伪造检测模型中，得到所述样本人脸图像对应的预测标签，包括：
对所述轮廓注意力图像和所述样本人脸图像分别进行特征提取处理，得到所述轮廓注意力图像对应的轮廓图像特征以及所述样本人脸图像对应的样本图像特征；
将所述轮廓图像特征和所述样本图像特征进行特征融合处理，得到融合图像特征；
基于所述融合图像特征进行伪造预测，得到所述样本人脸图像对应的预测标签。
本说明书实施例还提供一种伪造检测方法，采用该方法可以基于上述伪造检测模型训练方法得到的伪造检测模型对获取的待检测图像进行伪造检测，方法包括：
获取待检测人脸图像；
将所述待检测人脸图像输入至采用上述伪造检测模型训练方法训练得到的伪造检测模型中，得到所述待检测人脸图像对应的伪造检测结果。
可选的，在一些实施方式中，所述获取待检测人脸图像之后，还包括：
对所述待检测人脸图像进行人脸关键点检测，得到所述待检测人脸图像中待检测人脸对应的各人脸关键点；
根据所述各人脸关键点生成包含人脸轮廓区域的轮廓注意力图像，所述人脸轮廓区域根据所述各人脸关键点中的人脸外轮廓点生成；
所述将所述待检测人脸图像输入至采用上述伪造检测模型训练方法训练得到的伪造检测模型中，得到所述待检测人脸图像对应的伪造检测结果，包括：
将所述待检测人脸图像和所述轮廓注意力图像输入至采用上述伪造检测模型训练方法训练得到的伪造检测模型中，得到所述待检测人脸图像对应的伪造检测结果。
本说明书实施例还提出了一种伪造检测模型训练装置，包括：
样本获取模块，用于获取样本人脸图像；
轮廓图像生成模块，用于对所述样本人脸图像进行预处理，生成包含人脸轮廓区域的轮廓注意力图像；
伪造预测模块，用于将所述轮廓注意力图像以及所述样本人脸图像输入至伪造检测模型中，得到所述样本人脸图像对应的预测标签；
模型参数优化模块，用于以所述预测标签和所述样本人脸图像对应的真实标签的差异最小化为优化目标，调整所述伪造检测模型的模型参数。
本说明书实施例还提供一种伪造检测装置，包括：
图像获取模块，用于获取待检测人脸图像；
伪造检测模块，用于将所述待检测人脸图像输入至采用上述伪造检测模型训练方法训练得到的伪造检测模型中，得到所述待检测人脸图像对应的伪造检测结果。
本说明书实施例还提供一种计算机程序产品，所述计算机程序产品存储有至少一条指令，所述至少一条指令适于由处理器加载并执行上述的方法步骤。
本说明书实施例还提供一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序适于由处理器加载并执行上述的方法的步骤。
本说明书实施例还提供一种电子设备，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行上述的方法的步骤。
本说明书实施例所述的伪造检测模型训练方法的有益效果在于，通过获取样本人脸图像，然后对样本人脸图像进行预处理，生成包含人脸轮廓区域的轮廓注意力图像，在将轮廓注意力图像和样本人脸图像一起输入至伪造检测模型中，得到样本人脸图像对应的预测标签，最后以预测标签和样本人脸图像对应的真实标签的差异最小化为优化目标，调整伪造检测模型的模型参数，采用该方法训练得到的伪造检测模型，融合了人脸轮廓注意力，可以显著提升对伪造人脸检测的准确率。
附图说明
图1为本说明书实施例提供了一种伪造检测模型训练方法的流程示意图；
图2为本说明书实施例提供的一种伪造检测模型训练方法的流程示意图；
图3为本说明书实施例提供的一种生成轮廓注意力图像的举例示意图；
图4为本说明书实施例提供的一种伪造检测方法的流程示意图；
图5为本说明书实施例提供的一种伪造检测模型训练装置的结构示意图；
图6为本说明书实施例提供的一种轮廓图像生成模块的结构示意图；
图7为本说明书实施例提供的一种伪造检测装置的结构示意图；
图8为本说明书实施例提供的一种伪造检测装置的结构示意图；
图9为本说明书实施例提供的一种电子设备的结构示意图。
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。
在传统的人脸伪造识别系统中，一般是直接利用卷积神经网络模型对整张人脸图像进行二分类预测，卷积神经网络模型在没有任何先验知识的引导下，需要完全依赖于所输入的大规模样本训练数据进行自主学习，训练数据集的好坏和量级直接限制了模型效果。
而随着深度伪造技术的发展，致使伪造人脸的类别和数量大大增加。在训练数据集无法覆盖这些伪造类别时，模型对基于深度伪造技术而生成的深度伪造人脸图像的伪造检测效果较差。
基于此，本说明书实施例提供一种伪造检测模型训练方法，通过获取样本人脸图像，然后对样本人脸图像进行预处理，生成包含人脸轮廓区域的轮廓注意力图像，在将轮廓注意力图像和样本人脸图像一起输入至伪造检测模型中，得到样本人脸图像对应的预测标签，最后以预测标签和样本人脸图像对应的真实标签的差异最小化为优化目标，调整伪造检测模型的模型参数；采用该方法训练得到的伪造检测模型，融合了人脸轮廓注意力，使得模型可以快速挖掘人脸轮廓区域的伪造线索特征，可以显著提升对伪造人脸检测的准确率。
请参见图1，为本说明书实施例提供了一种伪造检测模型训练方法的流程示意图。在本说明书实施例中，所述伪造检测模型训练方法应用于伪造检测模型训练装置或配置有伪造检测模型训练装置的电子设备。下面将针对图1所示的流程进行详细的阐述，所述伪造检测模型训练方法具体可以包括以下步骤：
S102，获取样本人脸图像；
需要说明的是，用于实现伪造检测模型训练方法的执行主体，可以指服务器等设置于事务平台的指定电子设备，该电子设备中配置有伪造检测模型训练装置。
在本说明书实施例一个或多个实施例中，伪造检测模型训练装置获取用于训练伪造检测模型的样本人脸图像。
可以理解的是，在进行伪造检测模型的训练之前。会预构建用于训练伪造检测模型的训练数据集，该训练数据集中包括伪造人脸图像和正常人脸图像。其中，伪造人脸图形可以为基于深度伪造技术所生成的人脸图像。
需要说明的是，在每一轮的训练过程中，伪造检测模型训练装置从训练数据集中所获取的样本人脸图像可以包括基于深度伪造技术所生成的伪造人脸图像、以及正常人脸图像。
S104，对样本人脸图像进行预处理，生成包含人脸轮廓区域的轮廓注意力图像；
在本说明书一个或多个实施例中，伪造检测模型训练装置在获取得到样本人脸图像之后，首先对样本人脸图像进行预处理，找出样本人脸图像中的人脸轮廓区域，并生成包含人脸轮廓区域的轮廓注意力图像。
可选的，一个实施例中，可以通过对样本人脸图像进行人脸关键点检测，得到样本人脸图像中样本人脸对应的各人脸关键点，然后根据各人脸关键点生成包含人脸轮廓区域的轮廓注意力图像，人脸轮廓区域根据各人脸关键点中的人脸外轮廓点生成。
可选的，一个实施例中，可以在各人脸关键点中确定样本人脸对应的各人脸外轮廓点，然后根据各人脸外轮廓点在样本人脸图像中确定人脸轮廓区域，最后基于人脸轮廓区域生成轮廓注意力图像。
可选的，一个实施例中，在各人脸关键点中确定样本人脸对应的各人脸外轮廓点之后，对各人脸外轮廓点进行环形连接生成人脸轮廓线，以人脸轮廓线为中心线，将距离人脸轮廓线预设距离内的区域作为人脸轮廓区域。
可选的，一个实施例中，根据人脸轮廓区域生成轮廓注意力图像具体可以为：在确定人脸轮廓区域之后，根据人脸轮廓区域为样本人脸图像中各像素点添加注意力权重值，人脸轮廓区域内的各像素点对应的注意力权重值大于人脸轮廓区域外的各像素点对应的注意力权重值，然后基于各像素点分别对应的注意力权重值生成轮廓注意力图像。
S106，将轮廓注意力图像以及样本人脸图像输入至伪造检测模型中，得到样本人脸图像对应的预测标签；
在本说明书实施例中，在生成包含人脸轮廓区域的轮廓注意力图像之后，将轮廓注意力图像和样本人脸图像一起输入至伪造检测模型中，由伪造检测模型根据输入的图像进行伪造检测，输出样本人脸图像对应的预测标签。
其中，轮廓注意力图像的作用在于引导模型对人脸轮廓区域的特征提取，以使模型在人脸轮廓区域提取更多的伪造特征，提升伪造检测模型的检测精度。
可选的，一个实施例中，在将轮廓注意力图像和样本人脸图像一起输入至伪造检测模型中之后，由伪造检测模型对轮廓注意力图像和样本人脸图像分别进行特征提取处理，得到轮廓注意力图像对应的轮廓图像特征以及样本人脸图像对应的样本图像特征，然后将轮廓图像特征和样本图像特征进行特征融合处理，得到融合图像特征，最后基于融合图像特征进行伪造预测，得到样本人脸图像对应的预测标签。
S108，以预测标签和样本人脸图像对应的真实标签的差异最小化为优化目标，调整伪造检测模型的模型参数。
在本说明书一个或多个实施例中，首先获取样本人脸图像，然后对样本人脸图像进行预处理，生成包含人脸轮廓区域的轮廓注意力图像，在将轮廓注意力图像和样本人脸图像一起输入至伪造检测模型中，得到样本人脸图像对应的预测标签，最后以预测标签和样本人脸图像对应的真实标签的差异最小化为优化目标，调整伪造检测模型的模型参数，采用该方法训练得到的伪造检测模型，融合了人脸轮廓注意力，可以显著提升对伪造人脸检测的准确率。
请参见图2，为本说明书实施例提供的一种伪造检测模型训练方法的流程示意图。如图2所示，所述方法包括如下步骤：
S202，获取样本人脸图像；
需要说明的是，用于实现伪造检测模型训练方法的执行主体，可以指服务器等设置于事务平台的指定电子设备，该电子设备中配置有伪造检测模型训练装置。
在本说明书实施例一个或多个实施例中，伪造检测模型训练装置获取用于训练伪造检测模型的样本人脸图像。
可以理解的是，在进行伪造检测模型的训练之前。会预构建用于训练伪造检测模型的训练数据集，该训练数据集中包括伪造人脸图像和正常人脸图像。其中，伪造人脸图形可以为基于深度伪造技术所生成的人脸图像。
需要说明的是，在每一轮的训练过程中，伪造检测模型训练装置从训练数据集中所获取的样本人脸图像可以包括基于深度伪造技术所生成的伪造人脸图像、以及正常人脸图像。
S204，对样本人脸图像进行人脸关键点检测，得到样本人脸图像中样本人脸对应的各人脸关键点；
在本说明书一个或多个实施例中，在伪造检测模型训练装置获取得到样本人脸图像之后，对获取的样本人脸图像进行人脸关键点检测，得到样本人脸图像中样本人脸对应的各人脸关键点。
人脸关键点检测是指给定人脸图像，定位出人脸面部的关键区域位置的技术，关键区域位置包括眉毛、眼睛、鼻子、嘴巴、脸部轮廓等。常用的人脸关键点检测方法大致分为三种：主动形状模型(ASM，Active Shape Model)、主动外观模型(AAM，Active AppearnceModel)、基于级联形状回归(CPR，Cascaded pose regression)以及基于深度学习的方法。
需要说明的是，在本说明书实施例中，对人脸关键点检测算法的具体方式不做具体限定。
S206，根据各人脸关键点生成包含人脸轮廓区域的轮廓注意力图像，人脸轮廓区域根据各人脸关键点中的人脸外轮廓点生成；
在本说明书一个或多个实施例中，通过对样本人脸图像进行人脸关键点检测，可以得到样本人脸图像中样本人脸对应的各人脸关键点，人脸关键点包括用于表示人脸眉毛区域的眉毛关键点、用于表示人脸鼻子区域的鼻子关键点、用于表示人脸嘴巴区域的嘴巴关键点以及用于表示人脸轮廓区域的人脸外轮廓点。
可选的，在得到样本人脸图像中样本人脸对应的人脸关键点之后，在各人脸关键点中找到用于表示人脸轮廓区域的人脸外轮廓点，然后根据各人脸外轮廓点的位置在样本人脸图像中确定人脸轮廓区域，最后基于人脸轮廓区域生成轮廓注意力图像。
可选的，在各人脸关键点中确定样本人脸对应的各人脸外轮廓点之后，对各人脸外轮廓点进行环形连接生成人脸轮廓线，以人脸轮廓线为中心线，将距离人脸轮廓线预设距离内的区域作为人脸轮廓区域。
请参见图3，为本说明书实施例提供的一种生成轮廓注意力图像的举例示意图。如图3所示，所示第一图像为从某人脸图像中提取出的人脸关键点图像，所示第二图像为在人脸关键点图像中的各人脸关键点中确定得到的人脸外轮廓点，所示第三图像为根据人脸外轮廓点生成的包含人脸轮廓区域的轮廓注意力图像。
可选的，在确定人脸轮廓区域之后，根据人脸轮廓区域为样本人脸图像中各像素点添加注意力权重值，人脸轮廓区域内的各像素点对应的注意力权重值大于人脸轮廓区域外的各像素点对应的注意力权重值，然后基于各像素点分别对应的注意力权重值生成轮廓注意力图像。
可以理解的是，通过为人脸轮廓区域内像素点和人脸轮廓区域外的各像素点设置不同的权重值，生成轮廓注意力图像，可以不同区域像素点不同的权重值可以引导模型挖掘人脸轮廓区域的伪造线索特征，进而显著提升对伪造人脸检测的准确率。
S208，对轮廓注意力图像和样本人脸图像分别进行特征提取处理，得到轮廓注意力图像对应的轮廓图像特征以及样本人脸图像对应的样本图像特征；
在本说明书实施例中，轮廓注意力图像的作用在于引导模型对人脸轮廓区域的特征提取，以使模型在人脸轮廓区域提取更多的伪造特征，提升伪造检测模型的检测精度。在生成包含人脸轮廓区域的轮廓注意力图像之后，将轮廓注意力图像和样本人脸图像一起输入至伪造检测模型中，其中伪造检测模型可以包括用于图像特征提取的特征提取网络，通过特征提取网络对轮廓注意力图像和样本人脸图像分别进行特征提取处理，得到轮廓注意力图像对应的轮廓图像特征以及样本人脸图像对应的样本图像特征。
S210，将轮廓图像特征和样本图像特征进行特征融合处理，得到融合图像特征；
在本说明书实施例中，在得到轮廓注意力图像对应的轮廓图像特征以及样本人脸图像对应的样本图像特征之后，将轮廓图像特征和样本图像特征进行特征融合处理，得到融合图像特征。
可以理解的是，轮廓注意力图像中人脸轮廓区域内像素点的权重值和人脸轮廓区域外像素点的权重值不同，通过将轮廓图像特征和样本图像特征进行特征融合，将轮廓注意力图像中的权重值特征添加至样本图像特征中，使得模型重点关注权重值较高的像素点所对应的伪造特征，以使模型在人脸轮廓区域提取更多、更精准的伪造特征，进而提升伪造检测模型的检测精度。
可选的，一种可行的实施方式中，在将轮廓注意力图像和样本人脸图像一起输入至伪造检测模型之前，将轮廓注意力图像和样本人脸图像进行图像融合处理，得到融合图像，在将融合图像输入至伪造检测模型中，由伪造检测模型中的特征提取网络提取得到融合图像对应的融合图像特征。其中，将轮廓注意力图像和样本人脸图像进行图像融合，具体是指将轮廓注意力图像中各像素点对应的权重值对应添加至样本人脸图像中。
S212，基于融合图像特征进行伪造预测，得到样本人脸图像对应的预测标签；
在本说明书实施例中，伪造检测模型中包括分类预测网络，由分类预测网络对融合图像特征进行伪造预测，最终得到样本人脸图像对应的伪造预测标签。其中，预测标签用于表示样本人脸图像是伪造人脸图像还是正常人脸图像。
S214，以预测标签和样本人脸图像对应的真实标签的差异最小化为优化目标，调整伪造检测模型的模型参数。
可以理解的是，模型训练目标为使得预测结果和真实结果一致或较为接近，通过以预测标签和样本人脸图像对应的真实标签的差异最小化为优化目标，调整伪造检测模型的模型参数，使得训练过的伪造检测模型不断优化对人脸图像的检测效果。
一种可行的实施方式为，根据预设损失函数，计算模型预测标签和真实标签之间的预测损失值，根据预设损失值反向梯度传播，调整伪造检测模型的模型参数。
在本说明书实施例中，在伪造检测模型的训练过程中，通过对样本人脸图像进行人脸关键点检测，根据检测到的人脸关键点确定人脸轮廓区域并生成包含人脸轮廓区域的轮廓注意力图像，通过将轮廓注意力图像和样本人脸图像一起输入至伪造检测模型中一起训练，由轮廓注意力图像引导模型加强对人脸轮廓区域的特征提取，以使模型在人脸轮廓区域提取更多的伪造特征，进而提升伪造检测模型的检测精度。
参见图4，为本说明书实施例提供的一种伪造检测方法的流程示意图。在本说明书实施例中，所述伪造检测方法应用于伪造检测装置或配置有伪造检测装置的电子设备。下面将针对图4所示的流程进行详细的阐述，所述伪造检测方法具体可以包括以下步骤：
S302，获取待检测人脸图像；
其中，待检测人脸图像为待进行伪造人脸检测的人脸图像。例如，可以为在进行人脸识别解锁时所采集的人脸图像、或进行人脸扫描支付时所采集的人脸图像。
S304，将待检测人脸图像输入至采用伪造检测模型训练方法训练得到的伪造检测模型中，得到待检测人脸图像对应的伪造检测结果。
在采集得到待进行伪造人脸检测的待检测人脸图像之后，将待检测人脸图像输入至采用伪造检测模型训练方法训练得到的伪造检测模型中，由训练好的伪造检测模型对待检测人脸图像进行伪造检测，从而得到待检测人脸图像对应的伪造检测结果。其中，伪造检测结果用于表示待检测人脸图像中的人脸是否为伪造人脸。
可选的，在得到待检测人脸图像之后，首先对待检测人脸图像进行人脸关键点检测，得到待检测人脸图像中待检测人脸对应的各人脸关键点，然后根据各人脸关键点生成与待检测人脸图像对应的包含人脸轮廓区域的轮廓注意力图像，人脸轮廓区域根据各人脸关键点中的人脸外轮廓点生成，最后将待检测人脸图像和与待检测人脸图像对应的轮廓注意力图像一起输入采用伪造检测模型训练方法训练得到的伪造检测模型中，得到待检测人脸图像对应的伪造检测结果。
可选的，在得到与待检测人脸图像对应的轮廓注意力图像之后，对待检测人脸图像和与待检测人脸图像对应的轮廓注意力图像进行图像融合，得到目标融合图像，将目标融合图像输入至采用伪造检测模型训练方法训练得到的伪造检测模型中，得到待检测人脸图像对应的伪造检测结果。
在本说明书实施例中，采用基于伪造检测模型训练方法训练得到的伪造检测模型对待检测人脸图像进行伪造人脸检测，有助于提升对伪造人脸的检测精度，提升安全性。
请参见图5，为本说明书实施例提供的一种伪造检测模型训练装置的结构示意图。如图5所示，该伪造检测模型训练装置1可以通过软件、硬件或者两者的结合实现成为电子设备的全部或一部分。根据一些实施例，该伪造检测模型训练装置1包括样本获取模块11、轮廓图像生成模块12、伪造预测模块13以及模型参数优化模块14，具体包括：
样本获取模块11，用于获取样本人脸图像；
轮廓图像生成模块12，用于对样本人脸图像进行预处理，生成包含人脸轮廓区域的轮廓注意力图像；
伪造预测模块13，用于将轮廓注意力图像以及样本人脸图像输入至伪造检测模型中，得到样本人脸图像对应的预测标签；
模型参数优化模块14，用于以预测标签和样本人脸图像对应的真实标签的差异最小化为优化目标，调整伪造检测模型的模型参数。
可选的，请参见图6，为本说明书实施例提供的一种轮廓图像生成模块的结构示意图。如图6所示，所述轮廓图像生成模块12，包括：
关键点检测单元121，用于对所述样本人脸图像进行人脸关键点检测，得到所述样本人脸图像中样本人脸对应的各人脸关键点；
轮廓图像生成单元122，用于根据所述各人脸关键点生成包含人脸轮廓区域的轮廓注意力图像，所述人脸轮廓区域根据所述各人脸关键点中的人脸外轮廓点生成。
可选的，所述轮廓图像生成单元122，具体用于：
在所述各人脸关键点中确定所述样本人脸对应的各人脸外轮廓点；
根据各所述人脸外轮廓点在所述样本人脸图像中确定所述人脸轮廓区域；
基于所述人脸轮廓区域生成所述轮廓注意力图像。
可选的，所述轮廓图像生成单元122在执行所述根据各所述人脸外轮廓点的坐标在所述样本人脸图像中确定所述人脸轮廓区域时，具体用于：
对各所述人脸外轮廓点进行环形连接生成人脸轮廓线；
以所述人脸轮廓线为中心线，将距离所述人脸轮廓线预设距离内的区域作为所述人脸轮廓区域。
可选的，所述轮廓图像生成单元122在执行所述基于所述人脸轮廓区域生成所述轮廓注意力图像时，具体用于：
根据所述人脸轮廓区域为所述样本人脸图像中各像素点添加注意力权重值，所述人脸轮廓区域内的各像素点对应的注意力权重值大于所述人脸轮廓区域外的各像素点对应的注意力权重值；
基于所述各像素点分别对应的所述注意力权重值生成所述轮廓注意力图像。
可选的，所述伪造预测模块13，具体用于：
对所述轮廓注意力图像和所述样本人脸图像分别进行特征提取处理，得到所述轮廓注意力图像对应的轮廓图像特征以及所述样本人脸图像对应的样本图像特征；
将所述轮廓图像特征和所述样本图像特征进行特征融合处理，得到融合图像特征；
基于所述融合图像特征进行伪造预测，得到所述样本人脸图像对应的预测标签。
上述装置实施例与方法实施例相对应，具体说明可以参见方法实施例部分的描述，此处不再赘述。装置实施例是基于对应的方法实施例得到，与对应的方法实施例具有同样的技术效果，具体说明可参见对应的方法实施例。
请参见图7，为本说明书实施例提供的一种伪造检测装置的结构示意图。如图7所示，该伪造检测装置2可以通过软件、硬件或者两者的结合实现成为电子设备的全部或一部分。根据一些实施例，该伪造检测装置2包括图像获取模块21以及伪造检测模块22，具体包括：
图像获取模块21，用于获取待检测人脸图像；
伪造检测模块22，用于将所述待检测人脸图像输入至采用伪造检测模型训练方法训练得到的伪造检测模型中，得到所述待检测人脸图像对应的伪造检测结果。
可选的，请参见图8，为本说明书实施例提供的一种伪造检测装置的结构示意图。如图8所示，所述装置还包括图像生成模块23，所述图像生成模块23，具体用于；
对所述待检测人脸图像进行人脸关键点检测，得到所述待检测人脸图像中待检测人脸对应的各人脸关键点；
根据所述各人脸关键点生成包含人脸轮廓区域的轮廓注意力图像，所述人脸轮廓区域根据所述各人脸关键点中的人脸外轮廓点生成；
所述伪造检测模块22，具体用于：
将所述待检测人脸图像和所述轮廓注意力图像输入至如权利要求1-6任一项伪造检测模型训练方法训练得到的伪造检测模型中，得到所述待检测人脸图像对应的伪造检测结果。
上述装置实施例与方法实施例相对应，具体说明可以参见方法实施例部分的描述，此处不再赘述。装置实施例是基于对应的方法实施例得到，与对应的方法实施例具有同样的技术效果，具体说明可参见对应的方法实施例。
本说明书实施例还提供的一种计算机存储介质，所述计算机存储介质可以存储有多条指令，所述指令适于由处理器加载并执行如上述图1～图4所示实施例的所述伪造检测模型训练方法，具体执行过程可以参见图1～图4所示实施例的具体说明，在此不进行赘述。
本说明书还提供的一种计算机程序产品，该计算机程序产品存储有至少一条指令，所述至少一条指令由所述处理器加载并执行如上述图1～图4所示实施例的所述伪造检测模型训练方法，具体执行过程可以参见图1～图4所示实施例的具体说明，在此不进行赘述。
本说明书实施例还提供了图9所示的电子设备的结构示意图。如图9，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事务所需要的硬件。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，以实现上述的语音活动检测方法。
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：ARC 625D、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 (13)
1.一种伪造检测模型训练方法，所述方法包括：
获取样本人脸图像；
对所述样本人脸图像进行预处理，生成包含人脸轮廓区域的轮廓注意力图像；
将所述轮廓注意力图像以及所述样本人脸图像输入至伪造检测模型中，得到所述样本人脸图像对应的预测标签；
以所述预测标签和所述样本人脸图像对应的真实标签的差异最小化为优化目标，调整所述伪造检测模型的模型参数。
2.根据权利要求1所述的方法，所述对所述样本人脸图像进行预处理，生成包含人脸轮廓区域的轮廓注意力图像，包括：
对所述样本人脸图像进行人脸关键点检测，得到所述样本人脸图像中样本人脸对应的各人脸关键点；
根据所述各人脸关键点生成包含人脸轮廓区域的轮廓注意力图像，所述人脸轮廓区域根据所述各人脸关键点中的人脸外轮廓点生成。
3.根据权利要求2所述的方法，所述根据所述各人脸关键点生成包含人脸轮廓区域的轮廓注意力图像，包括：
在所述各人脸关键点中确定所述样本人脸对应的各人脸外轮廓点；
根据各所述人脸外轮廓点在所述样本人脸图像中确定所述人脸轮廓区域；
基于所述人脸轮廓区域生成所述轮廓注意力图像。
4.根据权利要求3所述的方法，所述根据各所述人脸外轮廓点的坐标在所述样本人脸图像中确定所述人脸轮廓区域，包括：
对各所述人脸外轮廓点进行环形连接生成人脸轮廓线；
以所述人脸轮廓线为中心线，将距离所述人脸轮廓线预设距离内的区域作为所述人脸轮廓区域。
5.根据权利要求3所述的方法，所述基于所述人脸轮廓区域生成所述轮廓注意力图像，包括：
根据所述人脸轮廓区域为所述样本人脸图像中各像素点添加注意力权重值，所述人脸轮廓区域内的各像素点对应的注意力权重值大于所述人脸轮廓区域外的各像素点对应的注意力权重值；
基于所述各像素点分别对应的所述注意力权重值生成所述轮廓注意力图像。
6.根据权利要求1所述的方法，所述将所述轮廓注意力图像以及所述样本人脸图像输入至伪造检测模型中，得到所述样本人脸图像对应的预测标签，包括：
对所述轮廓注意力图像和所述样本人脸图像分别进行特征提取处理，得到所述轮廓注意力图像对应的轮廓图像特征以及所述样本人脸图像对应的样本图像特征；
将所述轮廓图像特征和所述样本图像特征进行特征融合处理，得到融合图像特征；
基于所述融合图像特征进行伪造预测，得到所述样本人脸图像对应的预测标签。
7.一种伪造检测方法，所述方法包括：
获取待检测人脸图像；
将所述待检测人脸图像输入至如权利要求1-6任一项伪造检测模型训练方法训练得到的伪造检测模型中，得到所述待检测人脸图像对应的伪造检测结果。
8.根据权利要求7所述的方法，所述获取待检测人脸图像之后，还包括：
对所述待检测人脸图像进行人脸关键点检测，得到所述待检测人脸图像中待检测人脸对应的各人脸关键点；
根据所述各人脸关键点生成包含人脸轮廓区域的轮廓注意力图像，所述人脸轮廓区域根据所述各人脸关键点中的人脸外轮廓点生成；
所述将所述待检测人脸图像输入至如权利要求1-6任一项伪造检测模型训练方法训练得到的伪造检测模型中，得到所述待检测人脸图像对应的伪造检测结果，包括：
将所述待检测人脸图像和所述轮廓注意力图像输入至如权利要求1-6任一项伪造检测模型训练方法训练得到的伪造检测模型中，得到所述待检测人脸图像对应的伪造检测结果。
9.一种伪造检测模型训练装置，包括：
样本获取模块，用于获取样本人脸图像；
轮廓图像生成模块，用于对所述样本人脸图像进行预处理，生成包含人脸轮廓区域的轮廓注意力图像；
伪造预测模块，用于将所述轮廓注意力图像以及所述样本人脸图像输入至伪造检测模型中，得到所述样本人脸图像对应的预测标签；
模型参数优化模块，用于以所述预测标签和所述样本人脸图像对应的真实标签的差异最小化为优化目标，调整所述伪造检测模型的模型参数。
10.一种伪造检测装置，包括：
图像获取模块，用于获取待检测人脸图像；
伪造检测模块，用于将所述待检测人脸图像输入至如权利要求1-6任一项伪造检测模型训练方法训练得到的伪造检测模型中，得到所述待检测人脸图像对应的伪造检测结果。
11.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1～6或7～8中任意一项所述方法的步骤。
12.一种电子设备，其特征在于，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如权利要求1～6或7～8中任意一项所述方法的步骤。
13.一种计算机程序产品，其上存储有至少一条指令，其特征在于，所述至少一条指令被处理器执行时实现权利要求1～6或7～8中任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311555157.6A CN117576748A (zh) | 2023-11-21 | 2023-11-21 | 一种伪造检测模型训练方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311555157.6A CN117576748A (zh) | 2023-11-21 | 2023-11-21 | 一种伪造检测模型训练方法、装置、存储介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117576748A true CN117576748A (zh) | 2024-02-20 |
Family
ID=89860178
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311555157.6A Pending CN117576748A (zh) | 2023-11-21 | 2023-11-21 | 一种伪造检测模型训练方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117576748A (zh) |
-
2023
- 2023-11-21 CN CN202311555157.6A patent/CN117576748A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102142232B1 (ko) | 얼굴 라이브니스 검출 방법 및 장치, 그리고 전자 디바이스 | |
| WO2021184898A1 (zh) | 一种人脸特征提取方法、装置及设备 | |
| CN111553333B (zh) | 人脸图像识别模型训练方法、识别方法、装置和电子设备 | |
| CN112417414B (zh) | 一种基于属性脱敏的隐私保护方法、装置以及设备 | |
| TW202006630A (zh) | 支付方法、裝置及系統 | |
| CN115600157B (zh) | 一种数据处理的方法、装置、存储介质及电子设备 | |
| CN111340014A (zh) | 活体检测方法、装置、设备和存储介质 | |
| CN111160251B (zh) | 一种活体识别方法及装置 | |
| 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 | |
| CN117612269A (zh) | 一种生物攻击检测方法、装置及设备 | |
| CN111753583A (zh) | 一种识别方法及装置 | |
| CN110598555B (zh) | 一种图像的处理方法、装置及设备 | |
| CN115830633B (zh) | 基于多任务学习残差神经网络的行人重识别方法和系统 | |
| CN111931148A (zh) | 图像处理方法、装置和电子设备 | |
| CN110309859A (zh) | 一种图像真伪检测方法、装置及电子设备 | |
| CN117576748A (zh) | 一种伪造检测模型训练方法、装置、存储介质及电子设备 | |
| CN114511911A (zh) | 一种人脸识别方法、装置以及设备 | |
| CN115358777A (zh) | 虚拟世界的广告投放处理方法及装置 | |
| EP3940590A1 (en) | Methods, apparatuses, devices, and systems for testing biometric recognition device | |
| KR20230072851A (ko) | 표정 분류를 위한 랜드마크 기반의 앙상블 네트워크 생성 방법 및 생성된 앙상블 네트워크를 이용한 표정 분류 방법. | |
| CN114898431B (zh) | 一种刷脸支付意愿识别方法、装置以及设备 | |
| CN114973426B (zh) | 活体检测方法、装置及设备 | |
| CN112927219B (zh) | 一种图像的检测方法、装置及设备 | |
| CN115495712B (zh) | 数字作品处理方法及装置 | |
| CN115905913B (zh) | 数字藏品的检测方法及装置 |
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 |