[发明专利]图像检测方法、图像检测模型的训练方法、装置和介质

权利要求书

1.一种图像检测模型的训练方法，包括：

获取训练数据集，其中，所述训练数据集中包括多种训练图像，每一训练图像对应标记其所属分类的标签；所述训练图像的图像类别至少包括真实类别和伪造类别，所述伪造类别包含多种伪造类型，所述每一训练图像对应标记其所属图像类别的标签，所述伪造类别对应的每一训练图像对应标记其所属伪造类型的标签；

基于所述训练数据集，以使从标记相同标签的多个训练图像中提取到的特征距离最小，和/或从标记不同标签的多个训练图像中提取到的特征距离最大为目标训练伪造类型检测模型；

其中，所述方法还包括：

利用卷积神经网络模型提取各个训练图像的图像特征，其中，所述真实类别的训练图像的图像特征为0，所述伪造类别的训练图像的图像特征不为0，所述伪造类型的训练图像为深度伪造图像；

以使真实图像的图像特征趋于0为目标训练图像真伪检测模型，其中，训练完成的图像真伪检测模型将以某个图像的图像特征中不趋近于0的特定部分为伪造信号来判断图像的真伪；

其中，所述训练数据集至少包括所述图像真伪检测模型的第一训练数据集和所述伪造类型检测模型的第二训练数据集；

所述获取训练数据集，包括：

将标记所述真实类别的标签的训练图像以及标记所述伪造类别的标签的训练图像添加至所述第一训练数据集；

将标记所述伪造类型的标签的训练图像添加至所述第二训练数据集；

其中，利用卷积神经网络模型提取各个训练图像的图像特征；以使真实图像的图像特征趋于0为目标训练图像真伪检测模型，其中，训练完成的图像真伪检测模型将以某个图像的图像特征中的特定部分为伪造信号来判断图像的真伪，包括：

利用卷积神经网络模型从所述第一训练数据集中提取各个训练图像的图像特征；

通过第一损失函数对所述真实类别对应的训练图像的图像特征进行约束，以使所述真实类别对应的训练图像的图像特征趋于0为目标训练图像真伪检测模型，其中，训练完成的图像真伪检测模型将以某个图像的图像特征中的特定部分为伪造信号来判断图像的真伪；

其中，基于所述训练数据集，以使从标记相同标签的多个训练图像中提取到的特征距离最小，和/或从标记不同标签的多个训练图像中提取到的特征距离最大为目标训练伪造类型检测模型，包括：

基于所述第二训练数据集构建三元组；

基于所述三元组，采用度量学习的方式以使从标记相同标签的多个训练图像中提取到的特征距离最小，和/或从标记不同标签的多个训练图像中提取到的特征距离最大为目标训练所述伪造类型检测模型。

2.根据权利要求1所述的图像检测模型的训练方法，其中，每一所述三元组中包括三种训练图像，其中，第一种训练图像为标记有任意伪造类型的标签的图像，第二种训练图像与第一种训练图像标记有不同的标签，第三种训练图像与第一种训练图像标记有相同的标签。

3.根据权利要求2所述的图像检测模型的训练方法，其中，基于所述三元组，采用度量学习的方式以使从标记相同标签的多个训练图像中提取到的特征距离最小，和/或从标记不同标签的多个训练图像中提取到的特征距离最大为目标训练所述伪造类型检测模型，包括：

基于所述三元组，采用第二损失函数以及L2距离度量函数以使从标记相同标签的多个训练图像中提取到的特征距离最小，和/或从标记不同标签的多个训练图像中提取到的特征距离最大为目标训练所述伪造类型检测模型。

4.一种图像检测方法，采用权利要求1-3中任一项所述的图像检测模型对图像进行检测，所述图像检测模型至少包括伪造类型检测模型，所述图像检测方法包括：

通过预设方式获取伪造图像；

采用伪造类型检测模型对所述伪造图像进行伪造类型检测，确定所述伪造图像的伪造类型。

5.根据权利要求4所述的图像检测方法，其中，所述图像检测模型还包括图像真伪检测模型，通过预设方式获取伪造图像，包括：

获取待检测图像；

采用图像真伪检测模型对待检测图像的真伪性进行检测，以得到伪造图像。