[发明专利]一种基于复数神经网络的生成性对抗虚假图片的检测方法

说明书

本发明公开了一种基于复数神经网络的生成性对抗虚假图片的检测方法，属于对抗性网络生成图像检测技术领域。首先利用通用对抗性网络获得生成性对抗虚假图像，将真实图像和生成性对抗虚假图片作为训练样本图像并标记标签；然后获取预处理后的训练样本图像的特征图，对复数神经网络分类器进行训练，利用训练好的复数神经网络分类器对待检测的图片进行识别，标记出检测到的虚假图片。本发明基于复数卷积神经网络来搭建分类器网络，对图片经过图像预处理操作后，再进行傅里叶变换转换为实数部分和虚数部分，因此保留了原始数据的实数部分和虚数部分的分布，实现了更快更准确地判断图像的真假。

技术领域

本发明属于对抗性网络生成图像检测技术领域，涉及一种通过复数神经网络来检测对抗性网络生成的虚假图片，从而抵御对抗性图片攻击。

背景技术

卷积神经网络是深度学习进行视觉特征提取的有力工具，随着深度学习理论的发展和硬件设备的升级，卷积神经网络在这些年得到飞速发展。复数作为实数域的拓展，具有丰富的表示能力、从复数的形式可以看出复数可以拆分为实部与虚部，也就是说两个实数可以分别当作复数的实部和虚部，而且复数还可以表示为极坐标形式，包括模值和角度两个参数。复数网络越来越广泛应用在语音识别、图像识别以及自然语言处理等方面。

在图像识别领域，基于对抗网络生成的图像技术越来越成熟，生成的图像足以以假乱真，难以通过人眼来进行区分。

目前，检测生成性对抗网络的虚假图片的方法通常是收集不同GAN模型网络生成的图片，分别添加标签送入分类器网络进行训练。采用这种方式，往往需要收集不同对抗性模型生成的图像作为数据集，训练时间长，难以对特定的网络模型生成的图片进行区分，可移植性差。

此外，有研究人员根据生成性虚假图片的通用特质来设计通用网络模型，经过通用网络模型来生成通用的虚假图片作为分类器的数据集，但是其往往将图像逐像素作为输入来检测真假图像，但由于生成性图像在实数域上难以显现具体的特征，对于网络训练很难达到理想的分辨效果。

综上，针对深度神经网络受到精心设计的对抗样本攻击，现有技术的检测效果较差，往往会导致网络模型输出错误的预测结果，如何有效检测和防御对抗性攻击具有重要意义。

发明内容

本发明的目的是克服现有技术中针对生成性对抗虚假图片的识别效果较差的问题，提出一种基于复数神经网络的生成性对抗虚假图片的检测方法。本发明用来判别真假图片的分类器网络结构基于复数卷积神经网络搭建，生成的虚假图片和原真实图片分别标注标签作为分类器网络的数据集，经过图像预处理操作后，进行傅里叶变换转换为实数部分和虚数部分，因此保留了原始数据的实数部分和虚数部分的分布，实现了更快更准确地判断图像的真假。

为了实现上述目的，本发明采用如下技术方案：

一种基于复数神经网络的生成性对抗虚假图片的检测方法，包括如下步骤：

1)采集真实图像数据，利用通用对抗性网络获得生成性对抗虚假图像；将真实图像和生成性对抗虚假图片作为训练样本图像并标记标签；

2)将训练样本图像进行预处理，并对预处理后的图像经二维傅里叶变换获得幅度图和相位图，对所述幅度图和相位图进行归一化处理；

3)建立一个包含若干个复数卷积块构成的复数神经网络，将每一个训练样本图像的幅度图和相位图进行通道合并，采用幅度图作为复数神经网络的实部输入，采用相位图作为复数神经网络的虚部输入，对复数神经网络进行训练；

4)利用训练好的复数神经网络对待检测的图片进行识别，标记出检测到的虚假图片。

进一步的，在步骤1)中，将采集到的真实图像样本作为AutoGAN生成性对抗网络的输入，输出虚假图像样本；所述AutoGAN生成性对抗网络包括由下采样层组成的编码部分和由上采样层组成的解码部分。

进一步的，所述AutoGAN生成性对抗网络的损失函数为：