[发明专利]一种基于模仿学习的Deepfake检测方法

说明书

本发明公开了一种基于模仿学习的Deepfake检测方法，包括：(1)采集样本数据，将样本数据进行预处理后划分为专家样本S和测试样本T；(2)对专家样本S和测试样本T中数据的类别进行one‑hot编码，获取对应的类别标签序列；(3)构建策略模型Actor和判别器D，将专家样本S的状态‑动作对输入到策略模型Actor中进行训练，并通过判别器D输出的置信度反向传播梯度求导更新策略模型Actor的模型参数，直到损失函数收敛；(4)策略模型Actor的训练结束，用测试样本进行测试，计算出策略模型Actor的决策准确率；(5)将策略模型Actor应用于Deepfake视频的真假判别。利用本发明，使得模型的训练过程相对简单，不需要设计复杂的框架结构，应用场景更加全面。

技术领域

本发明涉及机器学习领域，尤其是涉及一种基于模仿学习的Deepfake检测方法。

背景技术

模仿学习(Imitation Learning)也被称为基于演示的学习(Learning ByDemonstration)或者学徒学习(Apprenticeship Learning)，是指从专家的决策数据{τ₁，τ₂，τ₃,...,τ_m}中学习，其中，每个决策数据表示为s为状态(state)，a为动作(action)。将所有状态-动作对提取出来构造一个新的集合D＝{(s₁,a₁),(s₂,a₂),(s₃,a₃),...,(s_n,a_n)}，此时就可以把状态s作为特征(ferture)，动作a作为标记(label)进行分类或回归的学习从而得到最优的策略模型Actor。模型的训练目标是使模型生成的状态-动作轨迹分布和输入的轨迹分布相匹配。

目前，随着Deepfake的技术不断加强，人们已经很难用肉眼去分辨一些假的图片或者视频了，而网络上又存在一些对社会影响较大的假的图片或视频。

比如对一些公众人物进行换脸，使他们散播虚假言论或者是恶意诽谤他人的言论。因此对这些假的图片或视频的检测就显得尤为重要。

目前的Deepfake检测技术主要分为三类，即帧内检测，帧间检测以及一些浅层方法检测。帧内检测如伪影检测，是对每一帧的图片在Deepfake的过程中面部周围所产生的伪影进行检测，这种方法的优点是训练过程中的负样本可以通过模仿Deepfake产生伪影的过程来得到，从而节省了大量的时间，而且伪影是广泛存在于Deepfake图片以及Deepfake视频中的，因此这种方法能对不同来源的假图片或假视频做到有效的检测。

但这种方法也有缺点，就是它可能会对可能会对某些特定分布的Deepfake图片或视频过拟合。帧间检测如眨眼检测，就是对视频中的人物在一定时间内的眨眼动作进行捕捉，假视频中的人物可能会出现长时间不眨眼的情况，从而分辨出是假视频，这种方法的缺点是只要在Deepfake视频的训练过程中加入大量的眨眼数据，假视频中的人物就可以像真视频中的人物一样的眨眼了，那么这种方法也就无效了。

还有一些浅层方法如三维头部姿态分析，就是利用假视频中人脸和头部外轮廓的姿态差异来分辨出哪个假视频。

该方法能够从较低的数据维度对真伪视频人脸做出分类，且模型训练用时较短，但应用场景有限且不能应对高质量的深度伪造视频。

发明内容

本发明提供了一种基于模仿学习的Deepfake检测方法，通过模仿学习(ImitationLearning)的奖励机制训练一个策略模型Actor，从而分辨出真假视频，训练过程简单，应用场景更加全面。

一种基于模仿学习的Deepfake检测方法，包括以下步骤：

(1)采集样本数据，将样本数据进行预处理后划分为专家样本S和测试样本T；