[發(fā)明專利]一種用于人臉深偽檢測的方法和裝置

在審

• 申請?zhí)枺?/td>: 202111569608.2
• 申請日: 2021-12-21
• 公開（公告）號: CN114419693A
• 公開（公告）日: 2022-04-29
• 發(fā)明（設(shè)計）人: 梁濤;楊青
• 申請（專利權(quán)）人: 度小滿科技(北京)有限公司
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06K9/62;G06N3/08;G06V10/80
• 代理公司: 北京啟坤知識產(chǎn)權(quán)代理有限公司 11655
• 代理人: 姜冰瑩

1.一種用于人臉深偽檢測的方法，其中，該方法包括：

從輸入圖像中提取多層第一特征信息；

通過對所述多層第一特征信息進行特征融合得到多層第二特征信息；

對所述多層第二特征信息中的每層第二特征信息分別進行語義融合，得到多層第三特征信息，并將每層第三特征信息分別輸入至多任務(wù)深偽檢測網(wǎng)絡(luò)，得到所述多任務(wù)深偽檢測網(wǎng)絡(luò)輸出的深偽檢測結(jié)果，其中，所述多任務(wù)深偽檢測網(wǎng)絡(luò)中協(xié)同執(zhí)行的多任務(wù)包括人臉分類、人臉定位以及偽造人臉檢測。

2.根據(jù)權(quán)利要求1所述的方法，其中，所述多任務(wù)深偽檢測網(wǎng)絡(luò)中協(xié)同執(zhí)行的多任務(wù)還包括偽造區(qū)域定位。

3.根據(jù)權(quán)利要求1所述的方法，其中，所述通過對所述多層第一特征信息進行特征融合得到多層第二特征信息，包括：

對所述多層第一特征信息進行特征融合，得到融合后的多層第二特征信息；

對所述融合后的多層第二特征信息中最高層級的第二特征信息進行采樣，得到更高層級的第二特征信息。

4.根據(jù)權(quán)利要求1至3中任一項所述的方法，其中，該方法還包括：

根據(jù)所述深偽檢測結(jié)果和樣本標簽，采用標簽分配策略為所述深偽檢測結(jié)果中的多個錨點或錨框賦予正負樣本的標簽，根據(jù)所述標簽計算損失函數(shù)，其中，人臉分類采用二分類交叉熵損失，在人臉分類為正樣本的基礎(chǔ)上計算人臉偽造檢測的交叉熵損失，人臉定位任務(wù)采用交并比損失。

5.根據(jù)權(quán)利要求4所述的方法，其中，所述多任務(wù)深偽檢測網(wǎng)絡(luò)中協(xié)同執(zhí)行的多任務(wù)還包括偽造區(qū)域定位，偽造區(qū)域定位的損失函數(shù)采用二分類交叉熵損失。

6.根據(jù)權(quán)利要求4或5所述的方法，其中，該方法還包括：

按預定比例對每個任務(wù)對應(yīng)的損失函數(shù)進行加權(quán)，得到多任務(wù)協(xié)同損失函數(shù)。

7.根據(jù)權(quán)利要求4所述的方法，其中，所述根據(jù)所述標簽計算損失函數(shù)，包括：

先對正樣本按照距離中心點的歐式距離進行加權(quán)獲得加權(quán)后的標簽，之后根據(jù)所述輸入圖像對應(yīng)的標簽計算損失函數(shù)。

8.一種用于人臉深偽檢測的裝置，其中，該裝置包括：

用于從輸入圖像中提取多層第一特征信息的模塊；

用于通過對所述多層第一特征信息進行特征融合得到多層第二特征信息的模塊；

用于對所述多層第二特征信息中的每層第二特征信息分別進行語義融合，得到多層第三特征信息，并將每層第三特征信息分別輸入至多任務(wù)深偽檢測網(wǎng)絡(luò)，得到所述多任務(wù)深偽檢測網(wǎng)絡(luò)輸出的深偽檢測結(jié)果的模塊，其中，所述多任務(wù)深偽檢測網(wǎng)絡(luò)中協(xié)同執(zhí)行的多任務(wù)包括人臉分類、人臉定位以及偽造人臉檢測。

9.根據(jù)權(quán)利要求8所述的裝置，其中，所述多任務(wù)深偽檢測網(wǎng)絡(luò)中協(xié)同執(zhí)行的多任務(wù)還包括偽造區(qū)域定位。

10.根據(jù)權(quán)利要求8所述的裝置，其中，所述用于通過對所述多層第一特征信息進行特征融合得到多層第二特征信息的模塊，用于：

對所述多層第一特征信息進行特征融合，得到融合后的多層第二特征信息；

對所述融合后的多層第二特征信息中最高層級的第二特征信息進行采樣，得到更高層級的第二特征信息。

11.根據(jù)權(quán)利要求8至10中任一項所述的裝置，其中，該裝置還包括：

用于根據(jù)所述深偽檢測結(jié)果和樣本標簽，采用標簽分配策略為所述深偽檢測結(jié)果中的多個錨點或錨框賦予正負樣本的標簽，根據(jù)所述標簽計算損失函數(shù)的模塊，其中，人臉分類采用二分類交叉熵損失，在人臉分類為正樣本的基礎(chǔ)上計算人臉偽造檢測的交叉熵損失，人臉定位任務(wù)采用交并比損失。

12.根據(jù)權(quán)利要求11所述的裝置，其中，所述多任務(wù)深偽檢測網(wǎng)絡(luò)中協(xié)同執(zhí)行的多任務(wù)還包括偽造區(qū)域定位，偽造區(qū)域定位的損失函數(shù)采用二分類交叉熵損失。