本申请涉及数据处理,特别涉及一种图像检测方法、装置、电子设备及可读存储介质。
背景技术:
1、人工智能(artificial intelligence,ai)技术的复兴极大的改变了人类的生活方式,其中,机器学习尤其是深度学习技术中的卷积神经网络(convolutional neuralnetwork,cnn)在计算机视觉(computer vision,cv)领域的应用更是掀起了前所未有的浪潮。
2、一方面,以深度神经网络为基础的人脸识别系统取得了巨大进步,其应用领域包括智能设备解锁、在线支付、身份认证、智慧办公等。另一方面,随着生成对抗网络(generative adversarial network,gan)的发展,通过深度伪造(deepfake)技术生成的人脸伪造样本的质量也越来越高,且伪造痕迹更加隐匿,从而给人脸安全领域带来了极大的挑战。
3、在相关技术中,将人脸等图像的深伪检测问题简单地作为二分类问题进行处理,在该方式中,忽略了图像深伪检测的本质其实是属于细粒度分类的范畴,应设计更加注重基础特征的网络来提取更加鲁棒的特征,从而提升模型的泛化性能。由此可见,如何高效准确的检测深伪图像成为亟待解决的技术难题。
技术实现思路
1、本申请提供了一种图像检测方法、装置、电子设备及可读存储介质,用于高效准确的检测深伪图像。
2、第一方面,本申请提供了一种图像检测方法,包括以下步骤:
3、针对目标图像执行纹理特征提取操作,得到所述目标图像的初始纹理特征图;其中,所述目标图像的初始纹理特征图为包含n个通道的特征图;
4、将所述目标图像的初始纹理特征图输入第一卷积模块,将所述初始纹理特征图的卷积操作结果与所述初始纹理特征图进行拼接处理,得到包含2*n个通道的第一卷积层纹理特征,并针对所述第一卷积层纹理特征执行第一通道融合操作,得到包含n个通道的第一融合纹理特征;
5、将所述第一融合纹理特征输入第二卷积模块,将所述第一融合纹理特征的卷积操作结果与所述第一融合纹理特征进行拼接处理,得到包含2*n个通道的第二卷积层纹理特征,并针对所述第二卷积层纹理特征执行第二通道融合操作,得到包含n个通道的第二融合纹理特征,其中,所述第一卷积模块包含用于执行第一卷积操作的第一卷积核,所述第二卷积模块包含用于执行第二卷积操作的第二卷积核,且所述第一卷积核与所述第二卷积核的尺寸不同;
6、根据所述第二融合纹理特征进行特征检测操作,得到特征检测结果,所述特征检测结果用于表示所述目标图像是否为伪造图像。
7、第二方面,本申请提供了一种图像检测装置,包括:
8、特征提取模块,适于针对目标图像执行纹理特征提取操作,得到所述目标图像的初始纹理特征图;其中,所述目标图像的初始纹理特征图为包含n个通道的特征图;
9、第一融合模块,适于将所述目标图像的初始纹理特征图输入第一卷积模块,将所述初始纹理特征图的卷积操作结果与所述初始纹理特征图进行拼接处理,得到包含2*n个通道的第一卷积层纹理特征,并针对所述第一卷积层纹理特征执行第一通道融合操作,得到包含n个通道的第一融合纹理特征;
10、第二融合模块,将所述第一融合纹理特征的卷积操作结果与所述第一融合纹理特征进行拼接处理,得到包含2*n个通道的第二卷积层纹理特征,并针对所述第二卷积层纹理特征执行第二通道融合操作,得到包含n个通道的第二融合纹理特征,其中,所述第一卷积模块包含用于执行第一卷积操作的第一卷积核,所述第二卷积模块包含用于执行第二卷积操作的第二卷积核,且所述第一卷积核与所述第二卷积核的尺寸不同;
11、检测模块,适于根据所述第二融合纹理特征进行特征检测操作,得到特征检测结果,所述特征检测结果用于表示所述目标图像是否为伪造图像。
12、第三方面,本申请提供了一种电子设备,该电子设备包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的一个或多个计算机程序,一个或多个所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述方法。
13、第四方面,本申请提供了一种计算机可读存储介质,其上存储有计算机程序,其中,所述计算机程序在被处理器/处理核执行时实现上述方法。
14、在本申请所提供的实施例中,首先,将目标图像的初始纹理特征图输入第一卷积模块得到第一卷积层纹理特征,并针对第一卷积层纹理特征执行第一通道融合操作,得到第一融合纹理特征;然后,将第一融合纹理特征输入第二卷积模块得到第二卷积层纹理特征,针对第二卷积层纹理特征执行第二通道融合操作得到第二融合纹理特征;最后,根据第二融合纹理特征进行特征检测操作,以判断所述目标图像是否为伪造图像。在本实施例中,第一卷积模块中包含的第一卷积核的尺寸与第二卷积模块中包含的第二卷积核的尺寸不同,相应的,第一卷积层纹理特征的感受野和第二卷积层纹理特征的感受野也各不相同,因此,能够通过不同感受野的纹理特征更加准确而全面的反映图像的基础特征,且不同感受野的纹理特征的细节程度不同,因而鲁棒性更好。另外,由于本实施例进一步针对每个卷积模块输出的卷积层纹理特征执行了通道融合操作,因而能够在图像的通道数量较多的情况下更全面的反映每个通道与相邻通道之间的关联关系,从而进一步提升图像检测的准确度。
15、应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
1.一种图像检测方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述针对目标图像执行纹理特征提取操作,得到所述目标图像的初始纹理特征图包括:
3.根据权利要求2所述的方法,其特征在于,所述第一特征提取方式为残差提取方式,所述第二特征提取方式为基于中心差分卷积的特征提取方式。
4.根据权利要求1所述的方法,其特征在于,所述第一卷积核的尺寸小于所述第二卷积核的尺寸,且所述第一卷积层纹理特征的感受野小于所述第二卷积层纹理特征的感受野。
5.根据权利要求1所述的方法,其特征在于,所述第一通道融合操作和所述第二通道融合操作为预设卷积运算,所述第一融合纹理特征为对所述第一卷积层纹理特征执行所述预设卷积运算后得到,所述第二融合纹理特征为对所述第二卷积层纹理特征执行所述预设卷积运算后得到,其中,所述预设卷积运算为通过1x 1的卷积核执行的卷积运算,用于进行通道融合处理。
6.根据权利要求1所述的方法,其特征在于,所述将所述目标图像的初始纹理特征图输入第一卷积模块,将所述初始纹理特征图的卷积操作结果与所述初始纹理特征图进行拼接处理,得到包含2*n个通道的第一卷积层纹理特征包括:
7.根据权利要求6所述的方法,其特征在于,所述根据所述第二融合纹理特征进行特征检测操作,得到特征检测结果包括:
8.一种图像检测装置,其特征在于,包括:
9.一种电子设备,其特征在于,包括:
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序在被处理器执行时实现如权利要求1-7中任一项所述的图像检测方法。