[发明专利]基于人工智能的伪装检测方法、装置、设备及介质

权利要求书

1.一种基于人工智能的伪装检测方法，其特征在于，所述基于人工智能的伪装检测方法包括：

响应于伪装检测指令，获取带有预设类型的伪装的初始图片，并对所述初始图片进行特征截取，得到样本数据；

对所述样本数据进行颜色空间转换，得到转换数据；

对所述转换数据进行拆分，得到多个小批量数据；

以所述多个小批量数据训练深度树学习框架，得到初始模型，包括：从所述多个小批量数据中获取数据对所述深度树学习框架进行第一预设次数的迭代，得到第一网络；从所述第一网络中获取顶部卷积残差单元及中部卷积残差单元，并从所述多个小批量数据中获取数据对所述顶部卷积残差单元及所述中部卷积残差单元进行第二预设次数的迭代，得到第二网络；从所述第二网络中获取根部卷积残差单元，并从所述多个小批量数据中获取数据对所述根部卷积残差单元进行第三预设次数的迭代，得到第三网络；利用所述多个小批量数据中的未使用数据训练所述第三网络；获取所述第三网络的目标损失函数，直至所述目标损失函数的取值达到收敛，停止训练，得到所述初始模型，所述深度树学习框架包括卷积残差单元、有监督的特征学习层及判别单元，其中，所述卷积残差单元还包括所述顶部卷积残差单元、所述中部卷积残差单元及所述根部卷积残差单元，所述判别单元与所述卷积残差单元在结构上相连，每个卷积残差单元下连接一个判别单元，所述有监督的特征学习层位于树结构的根部；

获取验证集，将所述验证集输入至所述初始模型，并获取所述初始模型的输出数据；

采用t-SNE算法验证所述输出数据，得到验证结果；

当所述验证结果满足配置条件时，停止训练，并将所述初始模型确定为目标模型；

获取待检测数据，将所述待检测数据输入至所述目标模型，并获取所述目标模型的输出作为伪装检测结果。

2.如权利要求1所述的基于人工智能的伪装检测方法，其特征在于，所述对所述初始图片进行特征截取，得到样本数据包括：

将所述初始图片中的每张图片输入至YOLOv3网络中进行识别，得到每张图片的头像区域；

以每张图片的头像区域截取对应的每张图片，得到每个子样本；

整合得到的子样本，得到所述样本数据。

3.如权利要求1所述的基于人工智能的伪装检测方法，其特征在于，所述深度树学习框架包括至少一个有监督的特征学习层及至少一个判别单元，所述基于人工智能的伪装检测方法还包括：

获取所述至少一个判别单元对应的判别损失，及获取所述至少一个有监督的特征学习层对应的学习损失；

确定所述多个小批量数据对应的唯一性损失，及确定所述深度树学习框架的深度图损失；

以所述判别损失、所述学习损失、所述唯一性损失及所述深度图损失构建所述目标损失函数。

4.如权利要求1所述的基于人工智能的伪装检测方法，其特征在于，所述基于人工智能的伪装检测方法还包括：

采用t-SNE算法处理所述输出数据，得到二维特征图；

从所述二维特征图中获取特征的分离度及密集度；

当所述分离度大于或者等于配置分离度，且所述密集度大于或者等于配置密集度时，确定所述验证结果满足所述配置条件。

5.如权利要求1所述的基于人工智能的伪装检测方法，其特征在于，在输出所述伪装检测结果后，所述基于人工智能的伪装检测方法还包括：

从所述伪装检测结果中获取风险预测概率；

当所述风险预测概率大于或者等于配置概率时，确定所述待检测数据存在伪装风险；

根据所述伪装检测结果生成风险提示信息；

将所述风险提示信息发送至指定终端设备。

6.如权利要求1所述的基于人工智能的伪装检测方法，其特征在于，所述基于人工智能的伪装检测方法还包括：

响应于接收到的分析指令，从所述伪装检测结果中获取深度图；

解析所述分析指令的方法体，得到所述分析指令所携带的数据；

获取预设标签，以所述预设标签在所述分析指令所携带的数据中进行匹配；

将匹配的数据确定为目标用户；

发送所述深度图至所述目标用户的终端设备。