[发明专利]一种训练数据的生成方法及装置

权利要求书

1.一种基于识别模型的训练数据的生成方法，其特征在于，包括：

将第一数据输入预训练特征提取网络模型中，获得攻击特征集合；其中，第一数据为非真实数据；所述非真实数据包括非真实图片攻击数据、纸张攻击数据、电子设备攻击数据或非真实视频攻击数据；

将第二数据输入所述预训练特征提取网络模型中，获得内容特征集合；其中，第二数据为真实数据；所述真实数据包括图片数据或视频数据；

将原始数据输入所述预训练特征提取网络模型中，获得空白特征集合；其中，所述原始数据为不包括任何元素的图片数据或视频数据；

通过预设计算方法对所述攻击特征集合和空白特征集合进行计算，获得特征损失；

对所述内容特征集合和空白特征集合进行计算，获得内容损失；

通过特征损失和内容损失对所述空白特征集合进行处理，获得目标训练数据；

其中，所述对所述内容特征集合和空白特征集合进行计算，获得内容损失，包括：

获取所述内容特征集合的特征数据；

计算所述内容特征集合的特征数据以及空白特征集合的特征数据之间的距离的和，以获得内容损失；

其中，通过特征损失和内容损失对所述空白特征集合进行处理，获得目标训练数据，包括：

将特征损失和内容损失迁移至所述空白特征集合；

对特征损失、内容损失和所述空白特征集合的特征数据进行数据融合，获得目标训练数据。

2.如权利要求1所述的基于识别模型的训练数据的生成方法，其特征在于，所述将第一数据输入预训练特征提取网络模型中，获得攻击特征集合之前，所述方法包括：

通过预训练数据对特征提取网络模型进行预训练，获取预训练特征提取网络模型；其中，所述预训练特征提取网络模型用于识别预训练数据的类型，并生成与预训练数据的类型对应的特征集合，预训练数据的类型包括第一数据、第二数据或原始数据。

3.如权利要求1所述的基于识别模型的训练数据的生成方法，其特征在于，通过预设计算方法对所述攻击特征集合和空白特征集合进行计算，获得特征损失，包括：

根据空白特征集合计算任一攻击特征集合的损失；

通过加权算法对一个以上的攻击特征集合的损失和预设的权重进行计算，获得特征损失。

4.如权利要求3所述的基于识别模型的训练数据的生成方法，其特征在于，所述根据空白特征集合计算任一攻击特征集合的损失，包括：

获取空白特征集合的特征数据和任一攻击特征集合的特征数据；

通过预设算法分别对空白特征集合的特征数据和任一攻击特征集合的特征数据进行计算，获得第一计算结果和第二计算结果；

获取第一计算结果和第二计算结果之间的距离并求和，获取任一攻击特征集合的损失。

5.一种基于识别模型的训练数据的生成装置，其特征在于，包括：

第一输入模块，用于将第一数据输入预训练特征提取网络模型中，获得攻击特征集合；其中，第一数据为非真实数据；所述非真实数据包括非真实图片攻击数据、纸张攻击数据、电子设备攻击数据或非真实视频攻击数据；

第二输入模块，用于将第二数据输入所述预训练特征提取网络模型中，获得内容特征集合；其中，第二数据为真实数据；所述真实数据包括图片数据或视频数据；

第三输入模块，用于将原始数据输入所述预训练特征提取网络模型中，获得空白特征集合；其中，所述原始数据为不包括任何元素的图片数据或视频数据；

第一计算模块，用于通过预设计算方法对所述攻击特征集合和空白特征集合进行计算，获得特征损失；

第二计算模块，用于对所述内容特征集合和空白特征集合进行计算，获得内容损失；

处理模块，用于通过特征损失和内容损失对所述空白特征集合进行处理，获得目标训练数据；

其中，第二计算模块包括：

获取单元，用于获取所述内容特征集合的特征数据；

第二计算单元，用于计算所述内容特征集合的特征数据以及空白特征集合的特征数据之间的距离的和，获得内容损失；

其中，处理模块具体用于将特征损失和内容损失迁移至所述空白特征集合；对特征损失、内容损失和所述空白特征集合的特征数据进行数据融合，获得目标训练数据。