[發明專利]數據檢測方法、裝置、設備及存儲介質

在審

• 申請號: 202110593397.X
• 申請日: 2021-05-28
• 公開（公告）號: CN113298158A
• 公開（公告）日: 2021-08-24
• 發明（設計）人: 李佼;戴磊;劉玉宇
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 深圳市力道知識產權代理事務所(普通合伙) 44507
• 代理人: 張傳義

本申請涉及人工智能技術領域，提供一種數據檢測方法、裝置、設備及存儲介質，包括將訓練樣本輸入第一神經網絡進行訓練，以獲取第一特征提取模型，其中，訓練樣本包括多個同一類型的樣本數據；根據第一特征提取模型的輸出，將訓練樣本輸入第二神經網絡進行訓練，得到第二特征提取模型，以使第二特征提取模型和第一特征提取模型的輸出分布相同或相近；根據第一特征提取模型和第二特征提取模型對待檢測數據進行相似度判斷，以獲取對應的檢測結果。因此，本申請提供的數據檢測方法在訓練過程中僅需要一種類型的樣本數據，既解決了缺乏樣本的問題，又提高了模型訓練的效果，還保證了數據檢測結果的準確性。

技術領域

本申請涉及人工智能技術領域，尤其涉及一種數據檢測方法、裝置、設備及存儲介質。

背景技術

目前，在解決二分類的問題時，對于訓練數據的選擇一般會同時收集正樣本數據和負樣本數據，且為了保證模型的分類效果，需要保證正負樣本均衡，也即正樣本的數量近似于負樣本的數量。

例如，在人臉識別領域中，人臉活體檢測也是屬于一個二分類問題，其通過抵擋虛擬人臉(例如彩色紙張打印人臉圖、電子設備屏幕中的人臉數字圖像以及3D面具等)的攻擊來保證人臉識別的安全性。相關技術中，活體檢測往往基于深度神經網絡模型實現，而該網絡模型的訓練需要大規模的訓練數據，且因為攻擊的類型多，對于攻擊類型的訓練數據難以采集，因此提高了模型訓練成本。其次，對于未知的攻擊，雖然模型具有一定的泛化性，但是也會有大量的未知攻擊會被錯誤分類，導致活體檢測精度下降。

發明內容

本申請提供了一種數據檢測方法、裝置、設備及存儲介質，旨在解決二分類問題中，模型訓練過程需要的訓練數據過多，且分類不準確的問題。

第一方面，本申請提供一種數據檢測方法，包括：

獲取訓練樣本，訓練樣本包括多個樣本數據，其中，樣本數據均為同一類型的樣本數據；

將訓練樣本輸入第一神經網絡進行第一特征提取以獲取對應的第一特征向量，并根據第一特征向量訓練第一神經網絡，以獲取第一特征提取模型；

將訓練樣本輸入第二神經網絡進行第二特征提取，以獲取訓練樣本對應的第二特征向量，并根據第一特征向量和第二特征向量的偏差構建對應的損失函數，根據損失函數更新第二神經網絡的模型參數，得到第二特征提取模型；

根據第一特征提取模型和第二特征提取模型對待檢測數據進行相似度判斷，以獲取對應的檢測結果。

第二方面，本申請還提供一種數據檢測裝置，包括：

訓練樣本獲取模塊，用于獲取訓練樣本，訓練樣本包括多個樣本數據，其中，樣本數據均為同一類型的樣本數據；

第一模型獲取模塊，用于將訓練樣本輸入第一神經網絡進行第一特征提取以獲取對應的第一特征向量，并根據第一特征向量訓練第一神經網絡，以獲取第一特征提取模型；

第二模型獲取模塊，用于將訓練樣本輸入第二神經網絡進行第二特征提取，以獲取訓練樣本對應的第二特征向量，并根據第一特征向量和第二特征向量的偏差構建對應的損失函數，根據損失函數更新第二神經網絡的模型參數，得到第二特征提取模型；

檢測結果獲取模塊，用于根據第一特征提取模型和第二特征提取模型對待檢測數據進行相似度判斷，以獲取對應的檢測結果。

第三方面，本申請還提供一種計算機設備，包括存儲器和處理器；存儲器用于存儲計算機程序；處理器用于執行的計算機程序并在執行的計算機程序時實現本申請實施例提供的任一項的數據檢測方法。

第四方面，本申請還提供一種計算機可讀存儲介質，計算機可讀存儲介質存儲有計算機程序，計算機程序被處理器執行時使處理器實現本申請實施例提供的任一項的數據檢測方法。