[发明专利]一种异常检测模型的训练方法、装置、设备及存储介质

说明书

本说明书公开了一种异常检测模型的训练方法、装置、设备及存储介质，获取真实人脸图像作为正样本，获取合成人脸图像作为负样本，并将各正样本和负样本作为训练样本，通过特征提取层提取各训练样本的样本特征，通过分类层得到各训练样本的检测结果，以及基于各正样本的样本特征确定用于表征正样本的共性的代表特征。再根据各正样本的样本特征和代表特征之间的差异、各负样本的样本特征和代表特征之间的差异，以及各训练样本的检测结果及其标注之间的差异对异常检测模型进行训练。本方法可基于代表特征，学习到准确的特征提取方式，以便于后续准确提取人脸图像的人脸特征来进行准确地异常检测，保证了异常检测的准确性。

技术领域

本说明书涉及计算机技术领域，尤其涉及一种异常检测模型的训练方法、装置、设备及存储介质。

背景技术

目前，随着互联网的快速发展，图像生成方法在人们生活中得到了愈发广泛的应用。随之而来的就是基于图像生成方法进行网络攻击的情况，造成用户隐私存在泄露的风险。如，使用人脸伪造技术生成假的人脸，并使用假的人脸来进行仿冒信息，获取用户数据。

基于此，本说明书提供一种异常检测方法，以对非真实人脸图像进行识别。

发明内容

本说明书提供一种异常检测模型的训练方法、装置、设备及存储介质，以部分的解决现有技术存在的上述问题。

本说明书采用下述技术方案：

本说明书提供一种异常检测模型的训练方法，包括：

获取真实人脸图像，作为正样本，以及获取合成人脸图像，作为负样本，将所述正样本和所述负样本作为训练样本；

确定由若干训练样本构成的样本集；

针对所述样本集中的每个训练样本，将该训练样本输入待训练的异常检测模型的特征提取层，得到所述特征提取层输出的该训练样本的样本特征；

将该样本特征输入所述异常检测模型的分类层，得到所述分类层输出的该训练样本的检测结果；

根据所述样本集中各正样本的样本特征，确定用于表征正样本的共性的代表特征；

以所述样本集中各正样本的样本特征和所述代表特征之间的差异最小、所述样本集中各负样本的样本特征和所述代表特征之间的差异最大，以及所述样本集中各训练样本的检测结果及其标注之间的差异最小为优化目标，对所述异常检测模型进行训练，训练完成的所述异常检测模型用于检测合成人脸图像。

本说明书提供一种异常检测模型的训练装置，包括：

获取模块，用于获取真实人脸图像，作为正样本，以及获取合成人脸图像，作为负样本，将所述正样本和所述负样本作为训练样本；

第一确定模块，用于确定由若干训练样本构成的样本集；

提取模块，用于针对样本集中的每个训练样本，将该训练样本输入待训练的异常检测模型的特征提取层，得到所述特征提取层输出的该训练样本的样本特征；

分类模块，用于将该样本特征输入所述异常检测模型的分类层，得到所述分类层输出的该训练样本的检测结果；

第二确定模块，用于根据所述样本集中各正样本的样本特征，确定用于表征正样本的共性的代表特征；

训练模块，用于以所述样本集中各正样本的样本特征和所述代表特征之间的差异最小、所述样本集中各负样本的样本特征和所述代表特征之间的差异最大，以及所述样本集中各训练样本的检测结果及其标注之间的差异最小为优化目标，对所述异常检测模型进行训练，训练完成的所述异常检测模型用于检测合成人脸图像。

本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述异常检测模型的训练方法。