1.一种基于深度伪造视频检测的模型的评价方法,其特征在于:包括如下步骤:
s100、将待评分模型导入;
s200、从视频样本库随机挑选指定数量的样本得到样本集,视频样本库中存储有视频以及该视频的真伪标记;
s300、将样本集输入待评分模型中进行真伪识别;
s400、将识别结果与样本的实际真伪进行比较,得到待评分模型指定评分指标的测量值p1;
s500、根据测量值p1进行自动评分得到待评分模型的得分并输出。
2.如权利要求1所述的基于深度伪造视频检测的模型的评价方法,其特征在于:内置一个参考模型,步骤s300和s400中,同时将样本输入参考模型中得到参考模型的测量值p0,步骤s500中,待评分模型的得分计算公式为:a+k*(b-a)*(p1-p0)/p0,式中:k为激励系数,分别表示该项评价指标是正激励还是负激励,分别用1和-1来表示,a为参考模型的预设分值,b为得分的满分数值。
3.如权利要求2所述的基于深度伪造视频检测的模型的评价方法,其特征在于:所述的测量值包括检测速度、检测正确率、假阳率、假阴率中的一种或多种,智能检测评分模块输出的是每项得分和/或多项得分加权平均后的最终得分。
4.如权利要求3所述的基于深度伪造视频检测的模型的评价方法,其特征在于:所述的参考模型得分a取值为[50,90],满分数值b等于100,测量值包括检测速度、检测正确率、假阳率、假阴率四种且它们对应的k分别为-1、1、-1、-1。
5.如权利要求4所述的基于深度伪造视频检测的模型的评价方法,其特征在于:所述智能检测评分模块输出的是多项得分加权平均后的最终得分,检测速度、检测正确率、假阳率、假阴率对应的权值分别是10%、60%、10%、20%。
6.如权利要求1-5任一项所述的基于深度伪造视频检测的模型的评价方法,其特征在于:所述的步骤s200中,包括如下步骤:
s201、从1~m中随机取出一个数x1,其中m为视频样本库中的视频总数;
s202、以第xn的值作为种子根据公式xn+1=(xn×c+d)modm+1计算得出一个新的随机数,式中,c和d为设定好的整数,mod为取余操作;
s203、每次计算出的xn+1的值如果之前出现过则舍弃并重新随机一个数,最终生成指定数量的不重复数值集合{x1、x2、…、xn},式中n为样本集数量;
s204、取出x1、x2、…、xn对应的视频作为样本集。
7.如权利要求6所述的基于深度伪造视频检测的模型的评价方法,其特征在于:所述的c等于1103515245,d等于12345。
8.一种基于深度伪造视频检测的模型的评价系统,其特征在于:包括视频样本库、智能检测评分模块以及任务智能调度模块;所述的视频样本库中存储有视频以及该视频的真伪标记;任务智能调度模块对自动评分的任务进行设置,且从视频样本库中抽样出指定数量样本的样本集并执行评分任务的调度工作;智能检测评分模块预设评价指标并根据任务执行结果依照步骤s100-s500自动计算模型得分。
9.如权利要求8所述的基于深度伪造视频检测的模型的评价系统,其特征在于:所述任务智能调度模块用于自动设置和调度检测任务的执行,包括设置任务开始时间、样本集数量、每个样本集中样本数量、根据待测模型数量和系统负载安排并行执行的任务数量;智能检测评分模块用于调整评价激励系数、设置权重。
10.如权利要求8所述的基于深度伪造视频检测的模型的评价系统,其特征在于:待检测的模型通过给定的封装标准封装成可接口调用的形式接入本系统中;视频样本库中的视频可以补充和更新。