[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

说明书

本发明的实施方式提供了一种图像检测方法、图像检测模型的训练方法、装置和介质。该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；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。本发明能够基于获取到的训练数据集进行训练，进而可以通过训练后的训练数据集对伪造类型检测模型进行更加深入的训练，以使训练之后的伪造类型检测模型可以更加准确地识别出伪造的图像，甚至能识别伪造图像的伪造类型，提升了识别伪造图像的准确性和全面性。

技术领域

本发明的实施方式涉及图像处理技术领域，更具体地，本发明的实施方式涉及一种图像检测方法、图像检测模型的训练方法、装置和介质。

背景技术

本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

近年来，随着深度伪造（Deep Fake）技术的发展，在视频网站以及社交媒体等网络中出现了越来越多通过人脸替换生成新图像的情况，对他人的肖像权造成了侵犯。

目前，现有技术仅能对真实图像和深度伪造图像进行识别。在实践中发现，对于不同类型的深度伪造图像，最终造成的事件性质与舆论影响不尽相同，然而，现有技术无法对深度伪造图像进行更深层次的检测，从而导致对于深度伪造图像的分析不够准确。

发明内容

在本上下文中，本发明的实施方式期望提供一种图像检测方法、图像检测模型的训练方法、装置和介质。

在本发明实施方式的第一方面中，提供了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；

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。

在本实施方式的一个实施例中，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；

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。

在本实施方式的一个实施例中，其中，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。

在本实施方式的一个实施例中，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。

在本实施方式的一个实施例中，其中，所述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；