[发明专利]伪造图像识别模型训练方法及伪造图像识别方法

说明书

本公开提供了一种伪造图像识别模型训练方法，包括从数据集中提取多张样本图像，对多张样本图像中识别目标区域进行定位并裁剪，得到多张训练图像；构建初始二分类模型；对于每一张训练图像，使用空间域特征提取模块从训练图像中提取得到空间域特征，使用自适应频域特征提取模块从训练图像中提取得到频域特征；使用特征融合模块融合多个空间域特征和多个频域特征，得到多个训练特征；使用特征映射模块将多个训练特征映射到特征空间中，得到多个特征点，将多个特征点输入分类器中，得到多个训练结果；以及基于多个训练结果及其标签监督训练初始二分类模型，得到伪造图像识别模型。此外，本公开还提供了一种应用该模型的伪造图像识别方法。

技术领域

本公开涉及人工智能领域，更具体地，涉及一种伪造图像识别模型训练方法及伪造图像识别方法。

背景技术

伪造图像识别的目的是给出输入图像是否伪造的判定。目前，伪造图像识别主要被视为图像识别领域中的二分类任务，其主要处理方式为使用损失函数为softmax的卷积神经网络有监督地学习差异性特征。然而，在实际应用中，因为softmax loss没有明确地约束类内紧凑性和类间的差异性，所以在其监督下学到的特征本质上差异性不够；其次，使用现有的滤波器组或者手工设计特征很难从多样化的输入中捕获频域上的差异。

因此，在实现本公开的过程中发现，相关技术没有具有自适应的频域特征生成方法，并且现有的损失函数对类内紧凑性和类间离散性的约束力不足。

发明内容

有鉴于此，本公开提供了一种伪造图像识别模型训练方法及伪造图像识别方法。

本公开的一个方面提供了一种伪造图像识别模型训练方法，包括：从数据集中提取多张样本图像，对上述多张样本图像中识别目标区域进行定位并裁剪，得到多张训练图像；使用空间域特征提取模块和自适应频域特征提取模块作为输入层，特征融合模块和特征映射模块作为中间层，分类器作为输出层构建初始二分类模型；对于每一张训练图像，使用上述空间域特征提取模块从上述训练图像中提取得到空间域特征，使用上述自适应频域特征提取模块从上述训练图像中提取得到频域特征；使用上述特征融合模块融合上述多个空间域特征和上述多个频域特征，得到多个训练特征；使用上述特征映射模块将上述多个训练特征映射到特征空间中，得到多个特征点，将上述多个特征点输入分类器中，得到多个训练结果；以及基于上述多个训练结果及其标签监督训练上述初始二分类模型，得到上述伪造图像识别模型。

根据本公开的实施例，上述使用上述自适应频域特征提取模块从上述训练图像中提取得到频域特征包括：将上述训练图像变换到一个颜色空间，得到多个颜色分量；使用数据预处理方法，将每一个上述颜色分量转换为一个第一三维张量；以及使用自适应频域信息挖掘方法将上述多个第一三维张量转换为频域特征。

根据本公开的实施例，上述使用数据预处理方法将每一个上述颜色分量转换为一个第一三维张量包括：将上述颜色分量切割成多个图像块，上述多个图像块的尺寸相同；使用空间域-频域转换方法，将上述多个图像块转换为多个频域分量；将上述多个频域分量分别变换成多个一维张量；以及将上述多个一维张量组合形成一个上述第一三维张量。

根据本公开的实施例，上述使用自适应频域信息挖掘方法将所有上述第一三维张量转换为频域特征包括：使用不同的卷积块分别对每一个上述颜色分量对应的上述第一三维张量进行处理，得到多个第二三维张量；将上述多个第二三维张量组合，得到一个第三三维张量；使用卷积和/或池化的方法处理上述第三三维张量，得到第四三维张量；以及利用注意力机制和一个卷积块增强上述第四三维张量的特征，得到上述频域特征。

根据本公开的实施例，上述使用上述特征融合模块融合上述多个空间域特征和上述多个频域特征，得到多个训练特征包括：将上述多个空间域特征和上述多个频域特征组合构成多个第一数据集合；使用激活函数和卷积块分别对上述多个第一数据集合进行处理，得到多个第二数据集合；以及使用批正则化处理上述多个第二数据集合，得到上述多个训练特征。