[发明专利]基于GAN网络的虚假图像鉴别系统及构建方法

说明书

本发明提供了一种基于GAN网络的虚假图像鉴别系统及构建方法，构建多个GAN网络模型，分别在各自对应的数据集上进行训练；采用训练后的多个GAN网络模型生成虚假图像，同时从数据集中选取同等数量的真实图像，对分辨率进行统一；对虚假图像和真实图像分别进行数据增强操作，生成训练集；选择一个GAN网络模型，利用生成的训练集对该GAN网络模型进行鉴别器训练；对训练后的GAN网络模型进行泛化，构建形成基于GAN网络的虚假图像鉴别系统。本发明合成数量庞大的数据集作为训练集，用于鉴别器的训练，通过数据增强操作，提升该鉴别器的泛化能力和鲁棒性，进而推广到各种模型中去，使其具有更强鉴别虚假图像与真实图像的能力。

技术领域

本发明涉及人工智能领域的计算机视觉技术，具体地，涉及一种基于GAN网络的虚假图像鉴别系统及构建方法。

背景技术

图像识别与分类任务是计算机视觉领域非常重要的部分。现有的图像识别与分类任务技术，通常采用训练神经网络识别模型来实现：首先将大量的训练数据输入待训练网络模型，通过反向传播损失，不断优化网络，得到泛化能力强的识别模型。

因此，在现有的识别与分类任务中，通过神经网络技术合成某种与原图像质量强度相当甚至更优的虚假图像，输入鉴别器后，会使得鉴别器难以分辨该图像是虚假合成图像还是真实图像，从而产生错误分类结果。

卷积神经网络(参考Krizhevsky,Alex,Ilya Sutskever,and GeoffreyE.Hinton.″Imagenet classification with deep convolutional neural networks.″Advances in neural information processing systems.2012.)在分类任务、人脸识别、物体检测等领域应用广泛。例如，在ImageNet图像分类任务中，卷积神经网络与传统分类算法相比展现出巨大的性能优势，顺势在计算机视觉领域取得优异的表现，随之产生了一系列优秀的神经网络模型，如GoogleNet和ResNet系列等。卷积神经网络的两个特点是局部连接和共享参数，与传统的多层感知机、支持向量机等模型相比，卷积神经网络大大减少模型参数，显著提高系统效率和实用性。

GAN(Generate Adversarial Network)，又名生成对抗网络(参考David Bau,Jun-Yan Zhu,Jonas Wulff,William Peebles,Hendrik Strobelt,Bolei Zhou,and AntonioTorralba.Seeing what a gan cannot generate.In ICCV,2019.以及Han Zhang,IanGoodfellow,Dimitris Metaxas,and Augustus Odena.Self-attention generativeadversarial networks.In ICML,2019.)，是生成模型的一种。GAN网络结构主要包含生成器和鉴别器两个部分。生成器的目标是生成一张虚假的图像；与此同时，鉴别器的目标是能够正确判别图像是虚假合成的还是真实存在的。实际上，生成器与鉴别器就形成了博弈关系，即生成器先生成一些图像输入给鉴别器，鉴别器判断这些图像是否为虚假合成图像，生成器再根据鉴别器判断结果，不断调整网络结构参数，同时鉴别器根据生成器生成虚假图像不断优化自己，直到鉴别器无法鉴别生成器所生成图像是真实图像还是虚假图像，此时得到完美的生成模型。GAN网络结构如图1所示。