CN117576790A - 一种生物攻击检测方法、装置及设备 - Google Patents

一种生物攻击检测方法、装置及设备 Download PDF

Info

Publication number
CN117576790A
CN117576790A CN202311624417.0A CN202311624417A CN117576790A CN 117576790 A CN117576790 A CN 117576790A CN 202311624417 A CN202311624417 A CN 202311624417A CN 117576790 A CN117576790 A CN 117576790A
Authority
CN
China
Prior art keywords
images
mode
image
fusion
different modes
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
Application number
CN202311624417.0A
Other languages
English (en)
Inventor
武文琦
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.)
Alipay Hangzhou Information Technology Co Ltd
Original Assignee
Alipay Hangzhou Information Technology Co Ltd
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 Alipay Hangzhou Information Technology Co Ltd filed Critical Alipay Hangzhou Information Technology Co Ltd
Priority to CN202311624417.0A priority Critical patent/CN117576790A/zh
Publication of CN117576790A publication Critical patent/CN117576790A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of 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
    • G06V10/764—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
    • G06V10/70—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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Human Computer Interaction (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

本说明书实施例公开了一种生物攻击检测方法、装置及设备，该方法包括：获取多种不同模态的图像，分别对每种模态的图像进行特征提取，得到每种模态的图像对应的图像特征，并分别对每种模态的图像中包含的内容进行提取，得到每种模态的图像对应的图像内容文本，分别对每种模态的图像特征和每种模态的图像内容文本进行融合处理，得到第一融合特征，然后，基于第一融合特征，通过预设的交叉注意力算法对多种不同模态的图像对应的第一融合特征进行交叉注意力处理，得到相应的处理结果，并基于该处理结果进行融合处理，确定对应的第二融合特征，最终，基于第二融合特征，确定多种不同模态的图像对应的生物攻击检测结果。

Description

一种生物攻击检测方法、装置及设备
技术领域
本文件涉及计算机技术领域，尤其涉及一种生物攻击检测方法、装置及设备。
背景技术
随着近年来面部识别系统的不断发展，以及人们对自己的隐私数据越来越重视，生物攻击检测成为面部识别系统中不可缺少的一环，生物攻击检测可以有效的拦截非生物类型的攻击样本。
随着面部识别业务量的不断提升，面部识别的用户和用户所处的场景越来越多，对于面部识别的用户的属性变化和组合种类也越多。随着面部识别业务量的不断增加，特征提取算法需要覆盖的场景和域越来越多，因此如何能充分利用多模态数据完成多场景、多域的适配成为了一个重点的研究方向，具有很高的实际部署意义。为此，需要提供一种提高生物攻击检测机制的精度和多场景下的适配能力的技术方案。
发明内容
本说明书实施例的目的是提供一种提高生物攻击检测机制的精度和多场景下的适配能力的技术方案。
为了实现上述技术方案，本说明书实施例是这样实现的：
本说明书实施例提供的一种生物攻击检测方法，所述方法包括：获取用于进行生物攻击检测的多种不同模态的图像。分别对每种模态的图像进行特征提取，得到每种模态的图像对应的图像特征，并分别对每种模态的图像中包含的内容进行提取，得到每种模态的图像对应的图像内容文本，分别对每种模态的图像对应的图像特征和每种模态的图像对应的图像内容文本进行融合处理，得到每种模态的图像对应的第一融合特征。基于每种模态的图像对应的第一融合特征，通过预设的交叉注意力算法对多种不同模态的图像对应的第一融合特征进行交叉注意力处理，得到相应的处理结果，并基于所述处理结果进行融合处理，确定多种不同模态的图像对应的第二融合特征。基于所述多种不同模态的图像对应的第二融合特征，确定多种不同模态的图像对应的生物攻击检测结果。
本说明书实施例提供的一种生物攻击检测方法，所述方法包括：获取用于进行生物攻击检测的多种不同模态的图像。基于生物攻击检测模型中的特征提取子模型分别对每种模态的图像进行特征提取，得到每种模态的图像对应的图像特征，并基于生物攻击检测模型中的图像描述生成子模型分别对每种模态的图像中包含的内容进行提取，得到每种模态的图像对应的图像内容文本，分别对每种模态的图像对应的图像特征和每种模态的图像对应的图像内容文本进行融合处理，得到每种模态的图像对应的第一融合特征。基于每种模态的图像对应的第一融合特征，通过生物攻击检测模型中预设的注意力模块对多种不同模态的图像对应的第一融合特征进行注意力处理，得到相应的处理结果，并基于所述处理结果进行融合处理，确定多种不同模态的图像对应的第二融合特征。将所述多种不同模态的图像对应的第二融合特征输入到生物攻击检测模型中的分类预测子模型中，得到多种不同模态的图像对应的生物攻击检测结果。
本说明书实施例提供的一种生物攻击检测装置，所述装置包括：图像获取模块，获取用于进行生物攻击检测的多种不同模态的图像。第一融合模块，分别对每种模态的图像进行特征提取，得到每种模态的图像对应的图像特征，并分别对每种模态的图像中包含的内容进行提取，得到每种模态的图像对应的图像内容文本，分别对每种模态的图像对应的图像特征和每种模态的图像对应的图像内容文本进行融合处理，得到每种模态的图像对应的第一融合特征。第二融合模块，基于每种模态的图像对应的第一融合特征，通过预设的交叉注意力算法对多种不同模态的图像对应的第一融合特征进行交叉注意力处理，得到相应的处理结果，并基于所述处理结果进行融合处理，确定多种不同模态的图像对应的第二融合特征。检测模块，基于所述多种不同模态的图像对应的第二融合特征，确定多种不同模态的图像对应的生物攻击检测结果。
本说明书实施例提供的一种生物攻击检测装置，所述装置包括：图像获取模块，获取用于进行生物攻击检测的多种不同模态的图像。第一模型处理模块，基于生物攻击检测模型中的特征提取子模型分别对每种模态的图像进行特征提取，得到每种模态的图像对应的图像特征，并基于生物攻击检测模型中的图像描述生成子模型分别对每种模态的图像中包含的内容进行提取，得到每种模态的图像对应的图像内容文本，分别对每种模态的图像对应的图像特征和每种模态的图像对应的图像内容文本进行融合处理，得到每种模态的图像对应的第一融合特征。第二模型处理模块，基于每种模态的图像对应的第一融合特征，通过生物攻击检测模型中预设的注意力模块对多种不同模态的图像对应的第一融合特征进行注意力处理，得到相应的处理结果，并基于所述处理结果进行融合处理，确定多种不同模态的图像对应的第二融合特征。模型预测模块，将所述多种不同模态的图像对应的第二融合特征输入到生物攻击检测模型中的分类预测子模型中，得到多种不同模态的图像对应的生物攻击检测结果。
本说明书实施例提供的一种生物攻击检测设备，所述生物攻击检测设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：获取用于进行生物攻击检测的多种不同模态的图像。分别对每种模态的图像进行特征提取，得到每种模态的图像对应的图像特征，并分别对每种模态的图像中包含的内容进行提取，得到每种模态的图像对应的图像内容文本，分别对每种模态的图像对应的图像特征和每种模态的图像对应的图像内容文本进行融合处理，得到每种模态的图像对应的第一融合特征。基于每种模态的图像对应的第一融合特征，通过预设的交叉注意力算法对多种不同模态的图像对应的第一融合特征进行交叉注意力处理，得到相应的处理结果，并基于所述处理结果进行融合处理，确定多种不同模态的图像对应的第二融合特征。基于所述多种不同模态的图像对应的第二融合特征，确定多种不同模态的图像对应的生物攻击检测结果。
本说明书实施例提供的一种生物攻击检测设备，所述生物攻击检测设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：获取用于进行生物攻击检测的多种不同模态的图像。基于生物攻击检测模型中的特征提取子模型分别对每种模态的图像进行特征提取，得到每种模态的图像对应的图像特征，并基于生物攻击检测模型中的图像描述生成子模型分别对每种模态的图像中包含的内容进行提取，得到每种模态的图像对应的图像内容文本，分别对每种模态的图像对应的图像特征和每种模态的图像对应的图像内容文本进行融合处理，得到每种模态的图像对应的第一融合特征。基于每种模态的图像对应的第一融合特征，通过生物攻击检测模型中预设的注意力模块对多种不同模态的图像对应的第一融合特征进行注意力处理，得到相应的处理结果，并基于所述处理结果进行融合处理，确定多种不同模态的图像对应的第二融合特征。将所述多种不同模态的图像对应的第二融合特征输入到生物攻击检测模型中的分类预测子模型中，得到多种不同模态的图像对应的生物攻击检测结果。
本说明书实施例还提供了一种存储介质，所述存储介质用于存储计算机可执行指令，所述可执行指令在被处理器执行时实现以下流程：获取用于进行生物攻击检测的多种不同模态的图像。分别对每种模态的图像进行特征提取，得到每种模态的图像对应的图像特征，并分别对每种模态的图像中包含的内容进行提取，得到每种模态的图像对应的图像内容文本，分别对每种模态的图像对应的图像特征和每种模态的图像对应的图像内容文本进行融合处理，得到每种模态的图像对应的第一融合特征。基于每种模态的图像对应的第一融合特征，通过预设的交叉注意力算法对多种不同模态的图像对应的第一融合特征进行交叉注意力处理，得到相应的处理结果，并基于所述处理结果进行融合处理，确定多种不同模态的图像对应的第二融合特征。基于所述多种不同模态的图像对应的第二融合特征，确定多种不同模态的图像对应的生物攻击检测结果。
本说明书实施例还提供了一种存储介质，所述存储介质用于存储计算机可执行指令，所述可执行指令在被处理器执行时实现以下流程：获取用于进行生物攻击检测的多种不同模态的图像。基于生物攻击检测模型中的特征提取子模型分别对每种模态的图像进行特征提取，得到每种模态的图像对应的图像特征，并基于生物攻击检测模型中的图像描述生成子模型分别对每种模态的图像中包含的内容进行提取，得到每种模态的图像对应的图像内容文本，分别对每种模态的图像对应的图像特征和每种模态的图像对应的图像内容文本进行融合处理，得到每种模态的图像对应的第一融合特征。基于每种模态的图像对应的第一融合特征，通过生物攻击检测模型中预设的注意力模块对多种不同模态的图像对应的第一融合特征进行注意力处理，得到相应的处理结果，并基于所述处理结果进行融合处理，确定多种不同模态的图像对应的第二融合特征。将所述多种不同模态的图像对应的第二融合特征输入到生物攻击检测模型中的分类预测子模型中，得到多种不同模态的图像对应的生物攻击检测结果。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图；
图1A为本说明书一种生物攻击检测方法实施例；
图1B为本说明书一种第一融合特征的生成过程示意图；
图2为本说明书一种特征提取模型的结构示意图；
图3为本说明书另一种生物攻击检测方法实施例；
图4为本说明书又一种生物攻击检测方法实施例；
图5为本说明书一种生物攻击检测过程的示意图；
图6为本说明书又一种生物攻击检测方法实施例；
图7为本说明书另一种生物攻击检测过程的示意图；
图8为本说明书一种生物攻击检测装置实施例；
图9为本说明书另一种生物攻击检测装置实施例；
图10为本说明书一种生物攻击检测设备实施例。
具体实施方式
本说明书实施例提供一种生物攻击检测方法、装置及设备。
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
本说明书实施例提供一种基于Transformer架构的生物攻击检测机制，随着近年来面部识别系统的不断发展，以及人们对自己的隐私数据越来越重视，生物攻击检测成为面部识别系统中不可缺少的一环，生物攻击检测可以有效的拦截非生物类型的攻击样本，类型包括如打印的纸质图像、电子产品的显示屏幕展示的数字图像、硅胶面具、立体3D头模等。随着面部识别业务量的不断提升，面部识别的用户和用户所处的场景越来越多，对于面部识别的用户的属性变化和组合种类也越多。随着面部识别业务量的不断增加，特征提取算法需要覆盖的场景和域越来越多，因此如何能充分利用多模态数据完成多场景、多域的适配成为了一个重点的研究方向，具有很高的实际部署意义。
在一个实施例中，可以基于端到端的二分类生物攻击检测方式，该方式采用端到端二分类网络结构直接对输入图像进行生物和攻击的二分类，该方式中模型可以学习到图像的全局特征，对于不同输入图像的关注区域相对固定，模型泛化性能相对较弱。在另一个实施例中，可以基于前期或后期特征融合的生物攻击检测方式，即在多模态的图像输入前段直接进行融合以及每个模态的图像的独立特征提取后在整个网络后段进行融合的方式。但两种融合方式很难充分挖掘特征融合的收益的最大化效果，并且具有较高的模型复杂度，从而影响实际生物攻击检测模型的效果和部署难度。为此，本说明书实施例提出了一种基于Transformer架构多模态混合特征融合的生物攻击检测方式，该方式通过多模态图像的采集设备分别采集RGB模态的图像、IR模态的图像和深度图像的原始数据，对于每一种模态的图像先通过图像描述机制提取对应的文本描述信息，再将图像和文本信息相融合，然后通过一个基于交叉注意力及混合特征融合的特征提取机制进行特征融合处理，该机制可以提高两个特征各自的注意力区域所占权重，从而使得融合特征更具可分性，并且能够充分利用不同模态的图像之间的特点。具体处理可以参见下述实施例中的具体内容。
如图1A所示，本说明书实施例提供一种生物攻击检测方法，该方法的执行主体可以为终端设备或服务器等，其中的终端设备可以如手机、平板电脑等移动终端设备，还可以如笔记本电脑或台式电脑等计算机设备，或者，也可以为IoT设备(具体如智能手表、车载设备等)等，其中的服务器可以是独立的一个服务器，还可以是由多个服务器构成的服务器集群等，该服务器可以是如金融业务或网络购物业务等的后台服务器，也可以是某应用程序的后台服务器等。本实施例中以执行主体为服务器为例进行详细说明，对于执行主体为终端设备的情况，可以参见下述服务器的情况处理，在此不再赘述。该方法具体可以包括以下步骤：
在步骤S102中，获取用于进行生物攻击检测的多种不同模态的图像。
其中，生物攻击检测可以是用于在一些身份验证场景(如支付业务中的身份验证场景、转账业务中的身份验证场景、即时通讯业务中的身份验证场景、购物业务中的身份验证场景、个人隐私数据获取业务中的身份验证场景或其它敏感数据获取业务中的身份验证场景等)确定对象真实生理特征的检测机制，在面部识别应用中，生物攻击检测可以通过眨眼、张嘴、摇头、点头等组合动作，使用面部关键点定位和面部追踪等方式，验证用户是否为真实用户本人操作，可有效抵御照片、视频、换脸、面具、遮挡、3D动画以及屏幕翻拍等常见的攻击手段，从而帮助用户甄别欺诈行为，保障用户的利益。多种不同模态的图像可以是用来描述不同种类的图像采集组件采集到的图像，例如，可以包括RGB模态的图像、IR模态的图像和深度图像等，其中的RGB模态的图像包含了被拍摄对象的纹理、颜色和表观信息，IR模态的图像可以为红外图像传感器或红外图像采集组件输出的红外图像，深度图像可以是深度相机等图像采集组件视野内所有点的深度数据构成的矩阵，包含了被拍摄对象的几何信息。
在实施中，可以通过多种不同的方式获取用于进行生物攻击检测的多种不同模态的图像，例如，可以在指定的业务中部署用于生物攻击检测的算法，当用户需要执行上述指定的业务时，可以启动多种不同的图像采集组件分别采集相应的图像，从而获取到用户执行指定的业务的过程中用于进行生物攻击检测的多种不同模态的图像，或者，用户需要通过某设备(如终端设备(如手机或平板电脑等)或机具(如商品售卖机具等)等)执行上述指定的业务时，该设备可以启动多种不同的图像采集组件分别采集相应的图像，从而获取到用户执行指定的业务的过程中用于进行生物攻击检测的多种不同模态的图像，可以将用于进行生物攻击检测的多种不同模态的图像发送给服务器，服务器可以获取到用于进行生物攻击检测的多种不同模态的图像等，具体可以根据实际情况设定，本说明书实施例对此不做限定。
在步骤S104中，分别对每种模态的图像进行特征提取，得到每种模态的图像对应的图像特征，并分别对每种模态的图像中包含的内容进行提取，得到每种模态的图像对应的图像内容文本，分别对每种模态的图像对应的图像特征和每种模态的图像对应的图像内容文本进行融合处理，得到每种模态的图像对应的第一融合特征。
其中，图像特征可以包括多种，例如，图像的颜色特征、纹理特征、形状特征和空间关系特征等，其中的颜色特征可以是一种全局特征，描述了图像或图像区域所对应的景物的表面性质，纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质，形状特征有两类表示方式，一类是轮廓特征，另一类是区域特征，图像的轮廓特征主要针对物体的外边界，而图像的区域特征则关系到整个形状区域，空间关系特征可以是图像中分割出来的多个目标之间的相互的空间位置或相对方向关系，上述关系也可分为连接/邻接关系、交叠/重叠关系和包含/包容关系等。图像内容文本可以是将图像中的视觉信息转化为语义信息的文本，例如，可以通过图像的视觉特征(如颜色、纹理和形状等及其组合)来提取相应的语义信息的文本，也可以通过识别和推理确定图像中的具体目标对象及其相互之间的关系来提取相应的语义信息的文本，还可以通过图像包含的对象、场景的含义和目标进行高层管理以提取相应的语义信息的文本(其中，可以包括图像的场景语义信息的文本、行为语义信息的文本和情感语义信息的文本等)。
在实施中，可以根据实际情况预先设定针对不同模态的图像的图像特征提取算法，或者，可以通过图像特征提取算法构建相应的特征提取模型等，然后，可以基于相应的图像特征提取算法或特征提取模型对指定模态的图像进行特征提取，从而将每种模态的图像中包含的图像特征提取出来，得到每种模态的图像对应的图像特征。
例如，可以对神经网络模型(具体如卷积神经网络模型或深度神经网络模型等)进行模型训练，使得该神经网络模型具有针对不同模态的图像进行特征提取的功能，此时，可以分别将上述每种模态的图像输入到相应的训练后的神经网络模型中，通过该训练后的神经网络模型对每种模态的图像进行特征提取，得到每种模态的图像对应的图像特征。
可以根据实际情况预先设定针对不同模态的图像的图像描述提取算法，或者，可以通过图像描述提取算法构建相应的图像描述提取模型等，然后，可以基于相应的图像描述提取算法或图像描述提取模型对指定模态的图像中包含的内容进行提取，从而将每种模态的图像中包含的图像描述内容提取出来，得到每种模态的图像对应的图像内容文本。
例如，可以基于模板的方式，分别对每种模态的图像中包含的内容进行提取，得到每种模态的图像对应的图像内容文本，该方式中，生成的文本语句具有固定的模板，通过检测每种模态的图像中物体、场景和动作等相关元素，之后，可以在模板中填充相关的词语，进而组合成语句。也可以基于检索的方式，即通过图像匹配的方式实现，先将大量的图像、图像描述存入数据库，之后将每种模态的图像与数据库中的图像进行对比，找出相似的图像，将得到的相似的图像对应的图像描述作为候选描述，再对上述候选描述进行处理，生成每种模态的图像的图像描述，从而得到每种模态的图像对应的图像内容文本。还可以对指定的深度学习模型(具体如卷积神经网络模型、深度神经网络模型、长短期记忆网络LSTM或上述中的多种组合等)进行模型训练，使得该深度学习模型具有针对不同模态的图像进行图像描述提取的功能，此时，可以分别将上述每种模态的图像输入到相应的训练后的深度学习模型中，通过该训练后的深度学习模型对每种模态的图像中包含的内容进行提取，得到每种模态的图像对应的图像内容文本。
通过上述方式得到每种模态的图像对应的图像特征和每种模态的图像对应的图像内容文本后，可以根据实际情况预先设定融合算法，例如，如图1B所示，可以将每种模态的图像对应的图像内容文本转换为向量(可以通过如图1B中的编码器(即文本编码器)转换为向量T1、T2、T3…TN，其中的N表示向量的数量)，每种模态的图像对应的图像特征也可以转换为向量(可以通过如图1B中的编码器(即图像编码器)转换为向量I1、I2、I3…IM，其中的M表示向量的数量)，然后，可以将相同模态的图像对应的图像内容文本的向量与对应的图像特征的向量进行融合处理(如图1B中的I1T1、I1T2、I1T3…IMTN)，以分别对每种模态的图像对应的图像特征和每种模态的图像对应的图像内容文本进行融合处理，最终可以得到每种模态的图像对应的第一融合特征。
在步骤S106中，基于每种模态的图像对应的第一融合特征，通过预设的交叉注意力算法对多种不同模态的图像对应的第一融合特征进行交叉注意力处理，得到相应的处理结果，并基于上述处理结果进行融合处理，确定多种不同模态的图像对应的第二融合特征。
在实施中，为了提高两个不同特征各自的注意力区域所占权重，可以根据实际情况预先设定交叉注意力算法，该交叉注意力算法可以为解码器中的每个位置生成一个查询向量，用于为每个位置进行注意力权重的计算，然后，可以为编码器中的每个位置生成一组键向量和值向量，可以使用查询向量和键向量进行点积操作，并通过softmax函数获得注意力权重，注意力权重与值向量相乘，并对结果进行求和，即可得到编码器调整的输出数据。可以基于该交叉注意力算法，对不同模态的图像对应的第一融合特征进行交叉注意力处理，从而实现对多种不同模态的图像对应的第一融合特征进行交叉注意力处理，得到相应的处理结果。
可以根据实际情况预先设定融合算法，可以将不同模态的图像对应的处理结果进行融合处理，具体可以通过上述交叉注意力算法的处理过程执行，以基于上述处理结果进行融合处理，最终，可以得到多种不同模态的图像对应的第二融合特征。
在步骤S108中，基于多种不同模态的图像对应的第二融合特征，确定多种不同模态的图像对应的生物攻击检测结果。
在实施中，可以通过多种不同的方式确定多种不同模态的图像对应的生物攻击检测结果，例如，可以根据预先设定的权重分配规则为上述多种不同模态的图像对应的第二融合特征分配相应的权重，然后，可以对上述多种不同模态的图像对应的第二融合特征进行加权求和计算，得到的计算结果可以为数值的方式呈现，之后，可以将得到的计算结果与预设阈值相比较，如果得到的计算结果小于预设阈值，则可以确定多种不同模态的图像对应的生物攻击检测结果为攻击，如果得到的计算结果大于预设阈值，则可以确定上述视频数据对应的生物攻击检测结果为非攻击。或者，也可以通过其它算法或模型，使用多种不同模态的图像对应的第二融合特征，确定多种不同模态的图像对应的生物攻击检测结果，具体可以根据实际情况设定，本说明书实施例对此不做限定。
本说明书实施例提供一种生物攻击检测方法，通过获取用于进行生物攻击检测的多种不同模态的图像，分别对每种模态的图像进行特征提取，得到每种模态的图像对应的图像特征，并分别对每种模态的图像中包含的内容进行提取，得到每种模态的图像对应的图像内容文本，分别对每种模态的图像对应的图像特征和每种模态的图像对应的图像内容文本进行融合处理，得到每种模态的图像对应的第一融合特征，基于每种模态的图像对应的第一融合特征，通过预设的交叉注意力算法对多种不同模态的图像对应的第一融合特征进行交叉注意力处理，得到相应的处理结果，并基于该处理结果进行融合处理，确定多种不同模态的图像对应的第二融合特征，基于多种不同模态的图像对应的第二融合特征，确定多种不同模态的图像对应的生物攻击检测结果，这样，通过多模态图像的采集组件分别采集多种不同模态的图像的原始数据，对于每一种模态的图像先通过图像内容提取对应的图像内容文本，再将图像特征和图像内容文本相融合，然后，通过一个基于交叉注意力算法对多种不同模态的图像对应的第一融合特征进行交叉注意力处理，从而可以提高两个特征各自的注意力区域所占权重，从而使得融合特征更具可分性，并且充分利用不同模态图像之间的特点，更大程度的自适应发挥各模态在特征空间的可分性，进而提高生物攻击检测机制的精度和多场景下的适配能力。
本说明书实施例中，多种不同模态的图像可以包括RGB模态的图像、红外IR模态的图像和深度图像中的一种或多种。
其中，RGB模态的图像、IR模态的图像和深度图像的相关内容可以参见前述相关内容，在此不再赘述。在实际应用中，多种不同模态的图像除了可以包括RGB模态的图像、IR模态的图像和深度图像外，还可以包括其它模态的图像，例如点云模态的图像、激光模态的图像等，具体可以根据实际情况设定，本说明书实施例对此不做限定。
此外，对于上述步骤S104中分别对每种模态的图像进行特征提取，得到每种模态的图像对应的图像特征的具体处理方式可以多种多样，以下提供一种可选的处理方式，具体可以包括以下内容：分别将每种模态的图像输入到相应模态对应的特征提取模型中，得到每种模态的图像对应的图像特征，该特征提取模型是基于一个或多个ResBlock模块构建的模型。
在实施中，以多种模态的图像包括三种模态的图像为例，如图2所示，特征提取模型中可以包括3个分支，每个分支可以用于对一种模态的图像进行图像特征提取处理，每个分支中可以包括一个或多个ResBlock模块(其中图2中每个分支包括3个依次连接且不相同的ResBlock模块，即res1、res2和res3)，每个ResBlock模块可以根据实际情况设置相应的数据维度，例如64或128等，具体可以根据实际情况设定。如果三种模态的图像包括RGB模态的图像、IR模态的图像和深度图像，则可以为RGB模态的图像设置用于进行图像特征提取的分支，即由res1、res2和res3等3个ResBlock模块构成的分支，可以通过分支中的res1、res2和res3的3个ResBlock模块对RGB模态的图像进行图像特征提取，得到RGB模态的图像对应的图像特征。此外，也可以为IR模态的图像设置用于进行图像特征提取的分支，即由res4、res5和res6等3个ResBlock模块(在实际应用中res4可以与res1的网络结构相同，res5可以与res2的网络结构相同，res6可以与res3的网络结构相同等)构成的分支，可以通过分支中的res4、res5和res6的3个ResBlock模块对IR模态的图像进行图像特征提取，得到IR模态的图像对应的图像特征。另外，还可以为深度图像设置用于进行图像特征提取的分支，即由res7、res8和res9等3个ResBlock模块(在实际应用中res7可以与res1的网络结构相同，res8可以与res2的网络结构相同，res9可以与res3的网络结构相同等)构成的分支，可以通过分支中的res7、res8和res9的3个ResBlock模块对深度图像进行图像特征提取，得到深度图像对应的图像特征等。
基于上述特征提取模型的结构，可以获取用于训练特征提取模型的训练样本，并可以设置相应的损失函数，其中的训练样本可以包括一种或多种不同模态的图像，可以使用训练样本对特征提取模型进行模型训练，即可以对特征提取模型中的多个不同模态对应的分支结构进行联合训练，直到该损失函数收敛为止，得到训练后的特征提取模型，可以基于训练后的特征提取模型进行上述的图像特征提取处理。
本说明书实施例中，如图3所示，上述步骤S106中的基于每种模态的图像对应的第一融合特征，通过预设的交叉注意力算法对多种不同模态的图像对应的第一融合特征进行交叉注意力处理，得到相应的处理结果的具体处理方式可以多种多样，以下提供一种可选的处理方式，具体可以包括以下步骤S1062和步骤S1064的处理。
在步骤S1062中，从多种不同模态的图像对应的第一融合特征中获取第一模态的图像对应的第一融合特征，第一模态为多种不同模态中模态可分性程度高于预设阈值的模态。
其中，模态可分性程度可以是从多种不同的模态中准确分辨出某种指定模态的程度，例如，RGB模态的图像、IR模态的图像和深度图像中，通常可以很容易分辨出RGB模态的图像、IR模态的图像，则RGB模态和IR模态对应的模态可分性程度较高。预设阈值可以根据实际情况设定，本说明书实施例对此不做限定。
在实施中，可以根据实际情况设定预设阈值，可以通过预设阈值，从多种不同模态的图像中确定高于该预设阈值的第一模态的图像，从而可以得到第一模态的图像对应的第一融合特征。例如，多种不同模态的图像中包括RGB模态的图像、IR模态的图像和深度图像，可以通过预设阈值，从RGB模态的图像、IR模态的图像和深度图像中选取IR模态的图像作为第一模态的图像，从而可以获取IR模态的图像对应的第一融合特征。
在步骤S1064中，以第一模态的图像作为基础模态的图像，通过预设的交叉注意力算法，将第一模态的图像对应的第一融合特征分别与多种不同模态中除第一模态之外的其它模态的图像对应的第一融合特征进行交叉注意力处理，得到相应的处理结果。
在实施中，基于上述示例，可以以IR模态的图像作为基础模态的图像，然后，可以将IR模态的图像对应的第一融合特征与RGB模态的图像对应的第一融合特征，使用交叉注意力算法进行交叉注意力处理，得到上述两者的处理结果(为了后续描述方便可以称为第一处理结果)，同时，可以将IR模态的图像对应的第一融合特征与深度图像对应的第一融合特征，使用交叉注意力算法进行交叉注意力处理，得到上述两者的处理结果(为了后续描述方便可以称为第二处理结果)，最终，可以得到第一处理结果和第二处理结果。上述仅是一种可选的示例，在实际应用中，还可以根据确定的第一模态的图像的不同，以及不同模态的图像的数量，通过预设的交叉注意力算法，将第一模态的图像对应的第一融合特征分别与多种不同模态中除第一模态之外的其它模态的图像对应的第一融合特征进行交叉注意力处理，得到相应的处理结果。
在实际应用中，第一模态的图像可以包括RGB模态的图像。
在实施中，基于上述内容，可以以RGB模态的图像作为基础模态的图像，然后，可以将RGB模态的图像对应的第一融合特征与IR模态的图像对应的第一融合特征，使用交叉注意力算法进行交叉注意力处理，得到上述两者的处理结果(为了后续描述方便可以称为第三处理结果)，同时，可以将RGB模态的图像对应的第一融合特征与深度图像对应的第一融合特征，使用交叉注意力算法进行交叉注意力处理，得到上述两者的处理结果(为了后续描述方便可以称为第四处理结果)，最终，可以得到第三处理结果和第四处理结果。
本说明书实施例中，如图4所示，上述步骤S106中的基于上述处理结果进行融合处理，确定多种不同模态的图像对应的第二融合特征的具体处理方式可以多种多样，以下提供一种可选的处理方式，具体可以包括以下步骤S1066和步骤S1068的处理。
在步骤S1066中，基于得到的处理结果和第一模态的图像对应的第一融合特征，通过相关性算法确定该处理结果与第一模态的图像对应的第一融合特征之间的相关性信息。
在实施中，可以通过计算相关性的方式对相应的处理结果与第一模态的图像对应的第一融合特征进行融合处理，具体地，可以预先设定相关性算法，可以基于该相关性算法计算相应的处理结果与第一模态的图像对应的第一融合特征之间的相关性，得到相应的相关性信息。例如，以RGB模态的图像作为基础模态的图像为例，将RGB模态的图像对应的第一融合特征与IR模态的图像对应的第一融合特征，使用交叉注意力算法进行交叉注意力处理得到的上述两者的处理结果与RGB模态的图像对应的第一融合特征计算相应的相关性，得到相应的相关性信息(为了后续描述方便可以称为第一相关性信息)，此外，还可以将RGB模态的图像对应的第一融合特征与深度图像对应的第一融合特征，使用交叉注意力算法进行交叉注意力处理得到的上述两者的处理结果与RGB模态的图像对应的第一融合特征计算相应的相关性，得到相应的相关性信息(为了后续描述方便可以称为第二相关性信息)。
需要说明的是，上述仅是一种可选的示例，在实际应用中，还可以根据确定的第一模态的图像的不同，以及不同模态的图像的数量和得到的不同的处理结果，通过相关性算法确定不同的处理结果与第一模态的图像对应的第一融合特征之间的相关性信息。
在步骤S1068中，将上述相关性信息和第一模态的图像对应的第一融合特征进行融合处理，得到多种不同模态的图像对应的第二融合特征。
在实施中，可以预先设定融合算法，可以使用该融合算法，将上述相关性信息和第一模态的图像对应的第一融合特征进行融合处理，得到多种不同模态的图像对应的第二融合特征。例如，基于上述示例，可以使用该融合算法，将第一相关性信息、第二相关性信息和第一模态的图像对应的第一融合特征进行融合处理，得到多种不同模态的图像对应的第二融合特征。
对于上述步骤S108的具体处理方式可以多种多样，以下提供一种可选的处理方式，具体可以包括以下内容：将多种不同模态的图像对应的第二融合特征输入到预先训练的生物攻击检测模型中，得到多种不同模态的图像对应的生物攻击检测结果，生物攻击检测模型是基于预设的分类算法构建的模型。
其中，分类算法可以包括多种，例如二分类算法、决策树算法、神经网络算法等，具体可以根据实际情况设定，本说明书实施例对此不做限定。
在实施中，可以根据实际情况选取合适的分类算法，并可以基于该分类算法构建生物攻击检测模型的模型架构，然后，可以获取用于训练该生物攻击检测模型的训练样本(即可以是通过上述方式确定的第二融合特征而构建的训练样本)，并可以设置相应的损失函数，可以使用该训练样本对生物攻击检测模型进行模型训练，直到该损失函数收敛为止，得到训练后的生物攻击检测模型，训练后的生物攻击检测模型的输入数据可以为通过上述方式确定的第二融合特征，输出数据可以为相应的生物攻击检测结果。可以将多种不同模态的图像对应的第二融合特征输入到训练后的生物攻击检测模型中，得到多种不同模态的图像对应的生物攻击检测结果。
本说明书实施例中，如图5所示，上述步骤S104中的分别对每种模态的图像中包含的内容进行提取，得到每种模态的图像对应的图像内容文本的具体处理方式可以多种多样，以下提供一种可选的处理方式，具体可以包括以下内容：通过图像描述生成模型分别对每种模态的图像中包含的内容进行提取，得到每种模态的图像对应的图像内容文本，图像描述生成模型是基于预训练的包含Transformer模块的模型；或者，基于不同模态对应的图像描述映射关系，分别对每种模态的图像中包含的内容进行提取，得到每种模态的图像对应的图像内容文本。
在实施中，图像描述生成模型可以是基于Transformer模块和LSTM网络结构构成的模型，然后，可以通过相应的训练样本对上述图像描述生成模型进行模型训练，直到设定的损失函数收敛为止，从而可以得到训练后的图像描述生成模型。可以将每种模态的图像分别输入到训练后的图像描述生成模型中，以通过图像描述生成模型分别对每种模态的图像中包含的内容进行提取，得到每种模态的图像对应的图像内容文本。
除了可以通过上述方式确定每种模态的图像对应的图像内容文本外，还可以通过其它多种不同的方式确定每种模态的图像对应的图像内容文本，例如，可以根据不同模态的图像所具备的特点定制文本描述的映射关系(即不同模态对应的图像描述映射关系)，通过上述图像描述映射关系，从每种模态的图像中提取到更好的具有不同模态差异性的文本描述，以实现分别对每种模态的图像中包含的内容进行提取，得到每种模态的图像对应的图像内容文本。
如图6所示，本说明书实施例提供一种生物攻击检测方法，该方法的执行主体可以为终端设备或服务器等，其中的终端设备可以如手机、平板电脑等移动终端设备，还可以如笔记本电脑或台式电脑等计算机设备，或者，也可以为IoT设备(具体如智能手表、车载设备等)等，其中的服务器可以是独立的一个服务器，还可以是由多个服务器构成的服务器集群等，该服务器可以是如金融业务或网络购物业务等的后台服务器，也可以是某应用程序的后台服务器等。本实施例中以执行主体为服务器为例进行详细说明，对于执行主体为终端设备的情况，可以参见下述服务器的情况处理，在此不再赘述。该方法具体可以包括以下步骤：
在步骤S602中，获取用于进行生物攻击检测的多种不同模态的图像。
在步骤S604中，基于生物攻击检测模型中的特征提取子模型分别对每种模态的图像进行特征提取，得到每种模态的图像对应的图像特征，并基于生物攻击检测模型中的图像描述生成子模型分别对每种模态的图像中包含的内容进行提取，得到每种模态的图像对应的图像内容文本，分别对每种模态的图像对应的图像特征和每种模态的图像对应的图像内容文本进行融合处理，得到每种模态的图像对应的第一融合特征。
其中，生物攻击检测模型中可以包括多个不同的部分，本实施例中，如图7所示，生物攻击检测模型中可以依次包括特征提取子模型、图像描述生成子模型、注意力模块和分类预测子模型等。特征提取子模型可以通过多种不同的算法或深度网络构建，具体如，特征提取子模型可以通过卷积神经网络或深度神经网络构建，也可以通过指定的特征提取算法构建，具体可以根据实际情况设定，本说明书实施例对此不做限定。图像描述生成子模型可以是基于预训练的包含Transformer模块的子模型或基于不同模态对应的图像描述映射关系而构建的子模型等，具体可以根据实际情况设定。
需要说明的是，上述实施例中的提供的生物攻击检测方法与本实施例中的生物攻击检测方法是不同的，上述实施例中的提供的生物攻击检测方法中步骤S102～步骤S108的各个步骤及其相关的步骤中使用的是独立的算法或独立的模型(不同模型之间不存在从属关系)进行相应的处理，如图7所示，而本实施例中的生物攻击检测方法中步骤S602～步骤S608的各个步骤及其相关的步骤中包括一个完整的模型，即生物攻击检测模型，而且，生物攻击检测模型中包括多个不同的部分(即子模型)，即包括特征提取子模型、图像描述生成子模型、注意力模块和分类预测子模型等，即特征提取子模型、图像描述生成子模型、注意力模块和分类预测子模型等子模型属于生物攻击检测模型。
在步骤S606中，基于每种模态的图像对应的第一融合特征，通过生物攻击检测模型中预设的注意力模块对多种不同模态的图像对应的第一融合特征进行注意力处理，得到相应的处理结果，并基于上述处理结果进行融合处理，确定多种不同模态的图像对应的第二融合特征。
其中，注意力模块中可以设置有如交叉注意力算法等。
在步骤S608中，将多种不同模态的图像对应的第二融合特征输入到生物攻击检测模型中的分类预测子模型中，得到多种不同模态的图像对应的生物攻击检测结果。
其中，分类预测子模型可以通过多种不同的算法构建，具体如，可以通过二分类算法构建或通过神经网络算法构建等，具体可以根据实际情况设定，本说明书实施例对此不做限定。
上述步骤S602～步骤S608的具体处理过程，可以参见上述相关内容，在此不再赘述。
本说明书实施例提供一种生物攻击检测方法，通过获取用于进行生物攻击检测的多种不同模态的图像，基于生物攻击检测模型中的特征提取子模型分别对每种模态的图像进行特征提取，得到每种模态的图像对应的图像特征，并基于生物攻击检测模型中的图像描述生成子模型分别对每种模态的图像中包含的内容进行提取，得到每种模态的图像对应的图像内容文本，分别对每种模态的图像对应的图像特征和每种模态的图像对应的图像内容文本进行融合处理，得到每种模态的图像对应的第一融合特征，基于每种模态的图像对应的第一融合特征，通过生物攻击检测模型中预设的注意力模块对多种不同模态的图像对应的第一融合特征进行注意力处理，得到相应的处理结果，并基于该处理结果进行融合处理，确定多种不同模态的图像对应的第二融合特征，将多种不同模态的图像对应的第二融合特征输入到生物攻击检测模型中的分类预测子模型中，得到多种不同模态的图像对应的生物攻击检测结果，这样，通过多模态图像的采集组件分别采集多种不同模态的图像的原始数据，对于每一种模态的图像先通过图像内容提取对应的图像内容文本，再将图像特征和图像内容文本相融合，然后，通过一个基于注意力模块对多种不同模态的图像对应的第一融合特征进行注意力处理，从而可以提高两个特征各自的注意力区域所占权重，从而使得融合特征更具可分性，并且充分利用不同模态图像之间的特点，更大程度的自适应发挥各模态在特征空间的可分性，进而提高生物攻击检测机制的精度和多场景下的适配能力。
在实际应用中，上述注意力模块可以是基于交叉注意力算法、通道注意力算法或基于Transformer的自注意力算法构建的模块。注意力模块对多种不同模态的图像对应的第一融合特征进行交叉注意力处理的过程中，可以根据所使用的相应注意力算法而执行，在此不再赘述。
本说明书实施例中，多种不同模态的图像包括RGB模态的图像、红外IR模态的图像和深度图像中的一种或多种。
本说明书实施例中，特征提取子模型是基于一个或多个ResBlock模块构建的模型，如图7所示，特征提取子模型中包括3个分支，每个分支对应一个模态，且每个分支基于3个ResBlock模块构建。
本说明书实施例中，上述步骤S606中的基于每种模态的图像对应的第一融合特征，通过生物攻击检测模型中预设的注意力模块对多种不同模态的图像对应的第一融合特征进行注意力处理，得到相应的处理结果的具体处理方式可以多种多样，以下再提供一种可选的处理方式，具体可以包括以下步骤A2和步骤A4的处理。
在步骤A2中，从多种不同模态的图像对应的第一融合特征中获取第一模态的图像对应的第一融合特征，第一模态为多种不同模态中模态可分性程度高于预设阈值的模态。
在步骤A4中，以第一模态的图像作为基础模态的图像，通过生物攻击检测模型中预设的注意力模块，将第一模态的图像对应的第一融合特征分别与多种不同模态中除第一模态之外的其它模态的图像对应的第一融合特征进行注意力处理，得到相应的处理结果。
上述步骤A2和步骤A4的具体处理过程可以参见前述相关内容，在此不再赘述。
在实际应用中，第一模态的图像可以包括RGB模态的图像。
本说明书实施例中，上述步骤S606中的基于上述处理结果进行融合处理，确定多种不同模态的图像对应的第二融合特征的具体处理方式可以多种多样，以下再提供一种可选的处理方式，具体可以包括以下步骤B2和步骤B4的处理。
在步骤B2中，基于得到的处理结果和第一模态的图像对应的第一融合特征，通过生物攻击检测模型中的相关性算法确定上述处理结果与第一模态的图像对应的第一融合特征之间的相关性信息。
在步骤B4中，在生物攻击检测模型中，将上述相关性信息和第一模态的图像对应的第一融合特征进行融合处理，得到多种不同模态的图像对应的第二融合特征。
上述步骤B2和步骤B4的具体处理过程可以参见前述相关内容，在此不再赘述。
在实际应用中，分类预测子模型可以是基于预设的分类算法构建的子模型。
本说明书实施例提供一种生物攻击检测方法，一方面充分利用图像描述的文本特征来增强图像特征的空间表示，另一方面将不同模态的图像内容文本与图像特征的混合特征进行充分的交叉注意力融合，从而更大程度的自适应发挥各模态在特征空间的可分性，从而提高生物攻击检测机制的精度和多场景下的适配能力。
以上为本说明书实施例提供的生物攻击检测方法，基于同样的思路，本说明书实施例还提供一种生物攻击检测装置，如图8所示。
该生物攻击检测装置包括：图像获取模块801、第一融合模块802、第二融合模块803和检测模块804，其中：
图像获取模块801，获取用于进行生物攻击检测的多种不同模态的图像；
第一融合模块802，分别对每种模态的图像进行特征提取，得到每种模态的图像对应的图像特征，并分别对每种模态的图像中包含的内容进行提取，得到每种模态的图像对应的图像内容文本，分别对每种模态的图像对应的图像特征和每种模态的图像对应的图像内容文本进行融合处理，得到每种模态的图像对应的第一融合特征；
第二融合模块803，基于每种模态的图像对应的第一融合特征，通过预设的交叉注意力算法对多种不同模态的图像对应的第一融合特征进行交叉注意力处理，得到相应的处理结果，并基于所述处理结果进行融合处理，确定多种不同模态的图像对应的第二融合特征；
检测模块804，基于所述多种不同模态的图像对应的第二融合特征，确定多种不同模态的图像对应的生物攻击检测结果。
本说明书实施例中，所述多种不同模态的图像包括RGB模态的图像、红外IR模态的图像和深度图像中的一种或多种。
本说明书实施例中，所述第一融合模块802，分别将每种模态的图像输入到相应模态对应的特征提取模型中，得到每种模态的图像对应的图像特征，所述特征提取模型是基于一个或多个ResBlock模块构建的模型。
本说明书实施例中，所述第二融合模块803，包括：
基础模态确定单元，从多种不同模态的图像对应的第一融合特征中获取第一模态的图像对应的第一融合特征，所述第一模态为多种不同模态中模态可分性程度高于预设阈值的模态；
注意力单元，以所述第一模态的图像作为基础模态的图像，通过预设的交叉注意力算法，将所述第一模态的图像对应的第一融合特征分别与多种不同模态中除所述第一模态之外的其它模态的图像对应的第一融合特征进行交叉注意力处理，得到相应的处理结果。
本说明书实施例中，所述第一模态的图像包括RGB模态的图像。
本说明书实施例中，所述第二融合模块803，包括：
相关性确定单元，基于得到的处理结果和第一模态的图像对应的第一融合特征，通过相关性算法确定所述处理结果与第一模态的图像对应的第一融合特征之间的相关性信息；
融合单元，将所述相关性信息和所述第一模态的图像对应的第一融合特征进行融合处理，得到多种不同模态的图像对应的第二融合特征。
本说明书实施例中，所述检测模块804，将所述多种不同模态的图像对应的第二融合特征输入到预先训练的生物攻击检测模型中，得到多种不同模态的图像对应的生物攻击检测结果，所述生物攻击检测模型是基于预设的分类算法构建的模型。
本说明书实施例中，所述第一融合模块802，通过图像描述生成模型分别对每种模态的图像中包含的内容进行提取，得到每种模态的图像对应的图像内容文本，所述图像描述生成模型是基于预训练的包含Transformer模块的模型；或者，基于不同模态对应的图像描述映射关系，分别对每种模态的图像中包含的内容进行提取，得到每种模态的图像对应的图像内容文本。
本说明书实施例提供一种生物攻击检测装置，通过获取用于进行生物攻击检测的多种不同模态的图像，分别对每种模态的图像进行特征提取，得到每种模态的图像对应的图像特征，并分别对每种模态的图像中包含的内容进行提取，得到每种模态的图像对应的图像内容文本，分别对每种模态的图像对应的图像特征和每种模态的图像对应的图像内容文本进行融合处理，得到每种模态的图像对应的第一融合特征，基于每种模态的图像对应的第一融合特征，通过预设的交叉注意力算法对多种不同模态的图像对应的第一融合特征进行交叉注意力处理，得到相应的处理结果，并基于该处理结果进行融合处理，确定多种不同模态的图像对应的第二融合特征，基于多种不同模态的图像对应的第二融合特征，确定多种不同模态的图像对应的生物攻击检测结果，这样，通过多模态图像的采集组件分别采集多种不同模态的图像的原始数据，对于每一种模态的图像先通过图像内容提取对应的图像内容文本，再将图像特征和图像内容文本相融合，然后，通过一个基于交叉注意力算法对多种不同模态的图像对应的第一融合特征进行交叉注意力处理，从而可以提高两个特征各自的注意力区域所占权重，从而使得融合特征更具可分性，并且充分利用不同模态图像之间的特点，更大程度的自适应发挥各模态在特征空间的可分性，进而提高生物攻击检测机制的精度和多场景下的适配能力。
基于同样的思路，本说明书实施例还提供一种生物攻击检测装置，如图9所示。
该生物攻击检测装置包括：图像获取模块901、第一模型处理模块902、第二模型处理模块903和模型预测模块904，其中：
图像获取模块901，获取用于进行生物攻击检测的多种不同模态的图像；
第一模型处理模块902，基于生物攻击检测模型中的特征提取子模型分别对每种模态的图像进行特征提取，得到每种模态的图像对应的图像特征，并基于生物攻击检测模型中的图像描述生成子模型分别对每种模态的图像中包含的内容进行提取，得到每种模态的图像对应的图像内容文本，分别对每种模态的图像对应的图像特征和每种模态的图像对应的图像内容文本进行融合处理，得到每种模态的图像对应的第一融合特征；
第二模型处理模块903，基于每种模态的图像对应的第一融合特征，通过生物攻击检测模型中预设的注意力模块对多种不同模态的图像对应的第一融合特征进行注意力处理，得到相应的处理结果，并基于所述处理结果进行融合处理，确定多种不同模态的图像对应的第二融合特征；
模型预测模块904，将所述多种不同模态的图像对应的第二融合特征输入到生物攻击检测模型中的分类预测子模型中，得到多种不同模态的图像对应的生物攻击检测结果。
本说明书实施例中，所述注意力模块是基于交叉注意力算法、通道注意力算法或基于Transformer的自注意力算法构建的模块，所述特征提取子模型是基于一个或多个ResBlock模块构建的子模型。
本说明书实施例中，所述多种不同模态的图像包括RGB模态的图像、红外IR模态的图像和深度图像中的一种或多种。
本说明书实施例中，所述特征提取子模型是基于一个或多个ResBlock模块构建的子模型。
本说明书实施例中，所述第二模型处理模块903，包括：
基础模态确定单元，从多种不同模态的图像对应的第一融合特征中获取第一模态的图像对应的第一融合特征，所述第一模态为多种不同模态中模态可分性程度高于预设阈值的模态；
注意力单元，以所述第一模态的图像作为基础模态的图像，通过生物攻击检测模型中预设的注意力模块，将所述第一模态的图像对应的第一融合特征分别与多种不同模态中除所述第一模态之外的其它模态的图像对应的第一融合特征进行注意力处理，得到相应的处理结果。
本说明书实施例中，所述第一模态的图像包括RGB模态的图像。
本说明书实施例中，所述第二模型处理模块903，包括：
相关性确定单元，基于得到的处理结果和第一模态的图像对应的第一融合特征，通过生物攻击检测模型中预设的相关性算法确定所述处理结果与第一模态的图像对应的第一融合特征之间的相关性信息；
融合单元，在生物攻击检测模型中，将所述相关性信息和所述第一模态的图像对应的第一融合特征进行融合处理，得到多种不同模态的图像对应的第二融合特征。
本说明书实施例中，所述分类预测子模型是基于预设的分类算法构建的子模型。
本说明书实施例中，所述图像描述生成子模型是基于预训练的包含Transformer模块的子模型或基于不同模态对应的图像描述映射关系构建的子模型。
本说明书实施例提供一种生物攻击检测装置，通过获取用于进行生物攻击检测的多种不同模态的图像，基于生物攻击检测模型中的特征提取子模型分别对每种模态的图像进行特征提取，得到每种模态的图像对应的图像特征，并基于生物攻击检测模型中的图像描述生成子模型分别对每种模态的图像中包含的内容进行提取，得到每种模态的图像对应的图像内容文本，分别对每种模态的图像对应的图像特征和每种模态的图像对应的图像内容文本进行融合处理，得到每种模态的图像对应的第一融合特征，基于每种模态的图像对应的第一融合特征，通过生物攻击检测模型中预设的注意力模块对多种不同模态的图像对应的第一融合特征进行注意力处理，得到相应的处理结果，并基于该处理结果进行融合处理，确定多种不同模态的图像对应的第二融合特征，将多种不同模态的图像对应的第二融合特征输入到生物攻击检测模型中的分类预测子模型中，得到多种不同模态的图像对应的生物攻击检测结果，这样，通过多模态图像的采集组件分别采集多种不同模态的图像的原始数据，对于每一种模态的图像先通过图像内容提取对应的图像内容文本，再将图像特征和图像内容文本相融合，然后，通过一个基于注意力模块对多种不同模态的图像对应的第一融合特征进行注意力处理，从而可以提高两个特征各自的注意力区域所占权重，从而使得融合特征更具可分性，并且充分利用不同模态图像之间的特点，更大程度的自适应发挥各模态在特征空间的可分性，进而提高生物攻击检测机制的精度和多场景下的适配能力。
以上为本说明书实施例提供的生物攻击检测装置，基于同样的思路，本说明书实施例还提供一种生物攻击检测设备，如图10所示。
所述生物攻击检测设备可以为上述实施例提供终端设备或服务器等。
生物攻击检测设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器1001和存储器1002，存储器1002中可以存储有一个或一个以上存储应用程序或数据。其中，存储器1002可以是短暂存储或持久存储。存储在存储器1002的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对生物攻击检测设备中的一系列计算机可执行指令。更进一步地，处理器1001可以设置为与存储器1002通信，在生物攻击检测设备上执行存储器1002中的一系列计算机可执行指令。生物攻击检测设备还可以包括一个或一个以上电源1003，一个或一个以上有线或无线网络接口1004，一个或一个以上输入输出接口1005，一个或一个以上键盘1006。
具体在本实施例中，生物攻击检测设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对生物攻击检测设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：
获取用于进行生物攻击检测的多种不同模态的图像；
分别对每种模态的图像进行特征提取，得到每种模态的图像对应的图像特征，并分别对每种模态的图像中包含的内容进行提取，得到每种模态的图像对应的图像内容文本，分别对每种模态的图像对应的图像特征和每种模态的图像对应的图像内容文本进行融合处理，得到每种模态的图像对应的第一融合特征；
基于每种模态的图像对应的第一融合特征，通过预设的交叉注意力算法对多种不同模态的图像对应的第一融合特征进行交叉注意力处理，得到相应的处理结果，并基于所述处理结果进行融合处理，确定多种不同模态的图像对应的第二融合特征；
基于所述多种不同模态的图像对应的第二融合特征，确定多种不同模态的图像对应的生物攻击检测结果。
此外，具体在本实施例中，生物攻击检测设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对生物攻击检测设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：
获取用于进行生物攻击检测的多种不同模态的图像；
基于生物攻击检测模型中的特征提取子模型分别对每种模态的图像进行特征提取，得到每种模态的图像对应的图像特征，并基于生物攻击检测模型中的图像描述生成子模型分别对每种模态的图像中包含的内容进行提取，得到每种模态的图像对应的图像内容文本，分别对每种模态的图像对应的图像特征和每种模态的图像对应的图像内容文本进行融合处理，得到每种模态的图像对应的第一融合特征；
基于每种模态的图像对应的第一融合特征，通过生物攻击检测模型中预设的注意力模块对多种不同模态的图像对应的第一融合特征进行注意力处理，得到相应的处理结果，并基于所述处理结果进行融合处理，确定多种不同模态的图像对应的第二融合特征；
将所述多种不同模态的图像对应的第二融合特征输入到生物攻击检测模型中的分类预测子模型中，得到多种不同模态的图像对应的生物攻击检测结果。
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，对于生物攻击检测设备实施例而言，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。
本说明书实施例提供一种生物攻击检测设备，通过获取用于进行生物攻击检测的多种不同模态的图像，分别对每种模态的图像进行特征提取，得到每种模态的图像对应的图像特征，并分别对每种模态的图像中包含的内容进行提取，得到每种模态的图像对应的图像内容文本，分别对每种模态的图像对应的图像特征和每种模态的图像对应的图像内容文本进行融合处理，得到每种模态的图像对应的第一融合特征，基于每种模态的图像对应的第一融合特征，通过预设的交叉注意力算法对多种不同模态的图像对应的第一融合特征进行交叉注意力处理，得到相应的处理结果，并基于该处理结果进行融合处理，确定多种不同模态的图像对应的第二融合特征，基于多种不同模态的图像对应的第二融合特征，确定多种不同模态的图像对应的生物攻击检测结果，这样，通过多模态图像的采集组件分别采集多种不同模态的图像的原始数据，对于每一种模态的图像先通过图像内容提取对应的图像内容文本，再将图像特征和图像内容文本相融合，然后，通过一个基于交叉注意力算法对多种不同模态的图像对应的第一融合特征进行交叉注意力处理，从而可以提高两个特征各自的注意力区域所占权重，从而使得融合特征更具可分性，并且充分利用不同模态图像之间的特点，更大程度的自适应发挥各模态在特征空间的可分性，进而提高生物攻击检测机制的精度和多场景下的适配能力。
进一步地，基于上述图1A到图7所示的方法，本说明书一个或多个实施例还提供了一种存储介质，用于存储计算机可执行指令信息，一种具体的实施例中，该存储介质可以为U盘、光盘、硬盘等，该存储介质存储的计算机可执行指令信息在被处理器执行时，能实现以下流程：
获取用于进行生物攻击检测的多种不同模态的图像；
分别对每种模态的图像进行特征提取，得到每种模态的图像对应的图像特征，并分别对每种模态的图像中包含的内容进行提取，得到每种模态的图像对应的图像内容文本，分别对每种模态的图像对应的图像特征和每种模态的图像对应的图像内容文本进行融合处理，得到每种模态的图像对应的第一融合特征；
基于每种模态的图像对应的第一融合特征，通过预设的交叉注意力算法对多种不同模态的图像对应的第一融合特征进行交叉注意力处理，得到相应的处理结果，并基于所述处理结果进行融合处理，确定多种不同模态的图像对应的第二融合特征；
基于所述多种不同模态的图像对应的第二融合特征，确定多种不同模态的图像对应的生物攻击检测结果。
此外，在另一种具体的实施例中，该存储介质可以为U盘、光盘、硬盘等，该存储介质存储的计算机可执行指令信息在被处理器执行时，能实现以下流程：
获取用于进行生物攻击检测的多种不同模态的图像；
基于生物攻击检测模型中的特征提取子模型分别对每种模态的图像进行特征提取，得到每种模态的图像对应的图像特征，并基于生物攻击检测模型中的图像描述生成子模型分别对每种模态的图像中包含的内容进行提取，得到每种模态的图像对应的图像内容文本，分别对每种模态的图像对应的图像特征和每种模态的图像对应的图像内容文本进行融合处理，得到每种模态的图像对应的第一融合特征；
基于每种模态的图像对应的第一融合特征，通过生物攻击检测模型中预设的注意力模块对多种不同模态的图像对应的第一融合特征进行注意力处理，得到相应的处理结果，并基于所述处理结果进行融合处理，确定多种不同模态的图像对应的第二融合特征；
将所述多种不同模态的图像对应的第二融合特征输入到生物攻击检测模型中的分类预测子模型中，得到多种不同模态的图像对应的生物攻击检测结果。
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，对于上述一种存储介质实施例而言，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。
本说明书实施例提供一种存储介质，通过获取用于进行生物攻击检测的多种不同模态的图像，分别对每种模态的图像进行特征提取，得到每种模态的图像对应的图像特征，并分别对每种模态的图像中包含的内容进行提取，得到每种模态的图像对应的图像内容文本，分别对每种模态的图像对应的图像特征和每种模态的图像对应的图像内容文本进行融合处理，得到每种模态的图像对应的第一融合特征，基于每种模态的图像对应的第一融合特征，通过预设的交叉注意力算法对多种不同模态的图像对应的第一融合特征进行交叉注意力处理，得到相应的处理结果，并基于该处理结果进行融合处理，确定多种不同模态的图像对应的第二融合特征，基于多种不同模态的图像对应的第二融合特征，确定多种不同模态的图像对应的生物攻击检测结果，这样，通过多模态图像的采集组件分别采集多种不同模态的图像的原始数据，对于每一种模态的图像先通过图像内容提取对应的图像内容文本，再将图像特征和图像内容文本相融合，然后，通过一个基于交叉注意力算法对多种不同模态的图像对应的第一融合特征进行交叉注意力处理，从而可以提高两个特征各自的注意力区域所占权重，从而使得融合特征更具可分性，并且充分利用不同模态图像之间的特点，更大程度的自适应发挥各模态在特征空间的可分性，进而提高生物攻击检测机制的精度和多场景下的适配能力。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
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，在实施本说明书一个或多个实施例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，本说明书一个或多个实施例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，本说明书一个或多个实施例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。
本说明书的实施例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欺诈案例的串并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欺诈案例的串并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欺诈案例的串并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欺诈案例的串并设备上，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，本说明书一个或多个实施例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，本说明书一个或多个实施例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。
本说明书一个或多个实施例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一个或多个实施例，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，并不用于限制本文件。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 (14)

1.一种生物攻击检测方法，所述方法包括：
获取用于进行生物攻击检测的多种不同模态的图像；
分别对每种模态的图像进行特征提取，得到每种模态的图像对应的图像特征，并分别对每种模态的图像中包含的内容进行提取，得到每种模态的图像对应的图像内容文本，分别对每种模态的图像对应的图像特征和每种模态的图像对应的图像内容文本进行融合处理，得到每种模态的图像对应的第一融合特征；
基于每种模态的图像对应的第一融合特征，通过预设的交叉注意力算法对多种不同模态的图像对应的第一融合特征进行交叉注意力处理，得到相应的处理结果，并基于所述处理结果进行融合处理，确定多种不同模态的图像对应的第二融合特征；
基于所述多种不同模态的图像对应的第二融合特征，确定多种不同模态的图像对应的生物攻击检测结果。
2.根据权利要求1所述的方法，所述多种不同模态的图像包括RGB模态的图像、红外IR模态的图像和深度图像中的一种或多种。
3.根据权利要求2所述的方法，所述分别对每种模态的图像进行特征提取，得到每种模态的图像对应的图像特征，包括：
分别将每种模态的图像输入到相应模态对应的特征提取模型中，得到每种模态的图像对应的图像特征，所述特征提取模型是基于一个或多个ResBlock模块构建的模型。
4.根据权利要求3所述的方法，所述基于每种模态的图像对应的第一融合特征，通过预设的交叉注意力算法对多种不同模态的图像对应的第一融合特征进行交叉注意力处理，得到相应的处理结果，包括：
从多种不同模态的图像对应的第一融合特征中获取第一模态的图像对应的第一融合特征，所述第一模态为多种不同模态中模态可分性程度高于预设阈值的模态；
以所述第一模态的图像作为基础模态的图像，通过预设的交叉注意力算法，将所述第一模态的图像对应的第一融合特征分别与多种不同模态中除所述第一模态之外的其它模态的图像对应的第一融合特征进行交叉注意力处理，得到相应的处理结果。
5.根据权利要求4所述的方法，所述第一模态的图像包括RGB模态的图像。
6.根据权利要求4所述的方法，所述基于所述处理结果进行融合处理，确定多种不同模态的图像对应的第二融合特征，包括：
基于得到的处理结果和第一模态的图像对应的第一融合特征，通过相关性算法确定所述处理结果与第一模态的图像对应的第一融合特征之间的相关性信息；
将所述相关性信息和所述第一模态的图像对应的第一融合特征进行融合处理，得到多种不同模态的图像对应的第二融合特征。
7.根据权利要求1所述的方法，所述基于所述多种不同模态的图像对应的第二融合特征，确定多种不同模态的图像对应的生物攻击检测结果，包括：
将所述多种不同模态的图像对应的第二融合特征输入到预先训练的生物攻击检测模型中，得到多种不同模态的图像对应的生物攻击检测结果，所述生物攻击检测模型是基于预设的分类算法构建的模型。
8.根据权利要求1所述的方法，所述分别对每种模态的图像中包含的内容进行提取，得到每种模态的图像对应的图像内容文本，包括：
通过图像描述生成模型分别对每种模态的图像中包含的内容进行提取，得到每种模态的图像对应的图像内容文本，所述图像描述生成模型是基于预训练的包含Transformer模块的模型；或者，
基于不同模态对应的图像描述映射关系，分别对每种模态的图像中包含的内容进行提取，得到每种模态的图像对应的图像内容文本。
9.一种生物攻击检测方法，所述方法包括：
获取用于进行生物攻击检测的多种不同模态的图像；
基于生物攻击检测模型中的特征提取子模型分别对每种模态的图像进行特征提取，得到每种模态的图像对应的图像特征，并基于生物攻击检测模型中的图像描述生成子模型分别对每种模态的图像中包含的内容进行提取，得到每种模态的图像对应的图像内容文本，分别对每种模态的图像对应的图像特征和每种模态的图像对应的图像内容文本进行融合处理，得到每种模态的图像对应的第一融合特征；
基于每种模态的图像对应的第一融合特征，通过生物攻击检测模型中预设的注意力模块对多种不同模态的图像对应的第一融合特征进行注意力处理，得到相应的处理结果，并基于所述处理结果进行融合处理，确定多种不同模态的图像对应的第二融合特征；
将所述多种不同模态的图像对应的第二融合特征输入到生物攻击检测模型中的分类预测子模型中，得到多种不同模态的图像对应的生物攻击检测结果。
10.根据权利要求9所述的方法，所述注意力模块是基于交叉注意力算法、通道注意力算法或基于Transformer的自注意力算法构建的模块，所述特征提取子模型是基于一个或多个ResBlock模块构建的子模型。
11.一种生物攻击检测装置，所述装置包括：
图像获取模块，获取用于进行生物攻击检测的多种不同模态的图像；
第一融合模块，分别对每种模态的图像进行特征提取，得到每种模态的图像对应的图像特征，并分别对每种模态的图像中包含的内容进行提取，得到每种模态的图像对应的图像内容文本，分别对每种模态的图像对应的图像特征和每种模态的图像对应的图像内容文本进行融合处理，得到每种模态的图像对应的第一融合特征；
第二融合模块，基于每种模态的图像对应的第一融合特征，通过预设的交叉注意力算法对多种不同模态的图像对应的第一融合特征进行交叉注意力处理，得到相应的处理结果，并基于所述处理结果进行融合处理，确定多种不同模态的图像对应的第二融合特征；
检测模块，基于所述多种不同模态的图像对应的第二融合特征，确定多种不同模态的图像对应的生物攻击检测结果。
12.一种生物攻击检测装置，所述装置包括：
图像获取模块，获取用于进行生物攻击检测的多种不同模态的图像；
第一模型处理模块，基于生物攻击检测模型中的特征提取子模型分别对每种模态的图像进行特征提取，得到每种模态的图像对应的图像特征，并基于生物攻击检测模型中的图像描述生成子模型分别对每种模态的图像中包含的内容进行提取，得到每种模态的图像对应的图像内容文本，分别对每种模态的图像对应的图像特征和每种模态的图像对应的图像内容文本进行融合处理，得到每种模态的图像对应的第一融合特征；
第二模型处理模块，基于每种模态的图像对应的第一融合特征，通过生物攻击检测模型中预设的注意力模块对多种不同模态的图像对应的第一融合特征进行注意力处理，得到相应的处理结果，并基于所述处理结果进行融合处理，确定多种不同模态的图像对应的第二融合特征；
模型预测模块，将所述多种不同模态的图像对应的第二融合特征输入到生物攻击检测模型中的分类预测子模型中，得到多种不同模态的图像对应的生物攻击检测结果。
13.一种生物攻击检测设备，所述生物攻击检测设备包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：
获取用于进行生物攻击检测的多种不同模态的图像；
分别对每种模态的图像进行特征提取，得到每种模态的图像对应的图像特征，并分别对每种模态的图像中包含的内容进行提取，得到每种模态的图像对应的图像内容文本，分别对每种模态的图像对应的图像特征和每种模态的图像对应的图像内容文本进行融合处理，得到每种模态的图像对应的第一融合特征；
基于每种模态的图像对应的第一融合特征，通过预设的交叉注意力算法对多种不同模态的图像对应的第一融合特征进行交叉注意力处理，得到相应的处理结果，并基于所述处理结果进行融合处理，确定多种不同模态的图像对应的第二融合特征；
基于所述多种不同模态的图像对应的第二融合特征，确定多种不同模态的图像对应的生物攻击检测结果。
14.一种生物攻击检测设备，所述生物攻击检测设备包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：
获取用于进行生物攻击检测的多种不同模态的图像；
基于生物攻击检测模型中的特征提取子模型分别对每种模态的图像进行特征提取，得到每种模态的图像对应的图像特征，并基于生物攻击检测模型中的图像描述生成子模型分别对每种模态的图像中包含的内容进行提取，得到每种模态的图像对应的图像内容文本，分别对每种模态的图像对应的图像特征和每种模态的图像对应的图像内容文本进行融合处理，得到每种模态的图像对应的第一融合特征；
基于每种模态的图像对应的第一融合特征，通过生物攻击检测模型中预设的注意力模块对多种不同模态的图像对应的第一融合特征进行注意力处理，得到相应的处理结果，并基于所述处理结果进行融合处理，确定多种不同模态的图像对应的第二融合特征；
将所述多种不同模态的图像对应的第二融合特征输入到生物攻击检测模型中的分类预测子模型中，得到多种不同模态的图像对应的生物攻击检测结果。
CN202311624417.0A 2023-11-30 2023-11-30 一种生物攻击检测方法、装置及设备 Pending CN117576790A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311624417.0A CN117576790A (zh) 2023-11-30 2023-11-30 一种生物攻击检测方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311624417.0A CN117576790A (zh) 2023-11-30 2023-11-30 一种生物攻击检测方法、装置及设备

Publications (1)

Publication Number Publication Date
CN117576790A true CN117576790A (zh) 2024-02-20

Family

ID=89895356

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311624417.0A Pending CN117576790A (zh) 2023-11-30 2023-11-30 一种生物攻击检测方法、装置及设备

Country Status (1)

Country Link
CN (1) CN117576790A (zh)

Similar Documents

Publication Publication Date Title
KR102142232B1 (ko) 얼굴 라이브니스 검출 방법 및 장치, 그리고 전자 디바이스
Bose et al. Efficient inception V2 based deep convolutional neural network for real‐time hand action recognition
CN111476306A (zh) 基于人工智能的物体检测方法、装置、设备及存储介质
CN113515942A (zh) 文本处理方法、装置、计算机设备及存储介质
CN112131978A (zh) 一种视频分类方法、装置、电子设备和存储介质
Sahoo Indian sign language recognition using machine learning techniques
Das et al. Automated Indian sign language recognition system by fusing deep and handcrafted feature
CN112163428A (zh) 语义标签的获取方法、装置、节点设备及存储介质
CN113569607A (zh) 动作识别方法、装置、设备以及存储介质
Liu et al. A multimodal approach for multiple-relation extraction in videos
Lee et al. Reinforced adaboost learning for object detection with local pattern representations
CN111753583A (zh) 一种识别方法及装置
CN117612269A (zh) 一种生物攻击检测方法、装置及设备
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
CN113642359B (zh) 人脸图像生成方法、装置、电子设备及存储介质
WO2023208134A1 (zh) 图像处理方法及模型生成方法、装置、车辆、存储介质及计算机程序产品
CN111816211B (zh) 情绪识别方法、装置、存储介质及电子设备
CN113486260B (zh) 互动信息的生成方法、装置、计算机设备及存储介质
CN111797303A (zh) 信息处理方法、装置、存储介质及电子设备
CN116957036A (zh) 伪造多媒体检测模型的训练方法、装置和计算设备
CN117576790A (zh) 一种生物攻击检测方法、装置及设备
Sahoo et al. Indian sign language recognition using a novel feature extraction technique
CN113704544A (zh) 一种视频分类方法、装置、电子设备和存储介质
Bhalekar et al. An approach to detect an image as a selfie using object recognition methods
CN114662706B (zh) 一种模型训练方法、装置及设备

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