[发明专利]一种基于知识蒸馏的人脸伪造线索迁移方法

权利要求书

1.一种基于知识蒸馏的人脸伪造线索迁移方法，其特征在于，包括：

S1：选取预训练数据集，所述预训练数据集包括多张带标签的人脸真实图片及多张带标签的人脸伪造图片；

S2：选取第一分类网络模型作为教师模型，利用所述预训练数据集对所述教师模型进行预训练，获得预训练后的教师模型；

S3：选取第二分类网络模型作为学生模型，利用所述学生模型和所述预训练后的教师模型共同构建教师学生联合网络模型；

S4：选取训练数据集，将所述训练数据集输入所述教师学生联合网络模型，利用所述训练数据集对所述学生模型进行训练，使得经预训练的教师模型中的伪造线索迁移到所述学生模型中，获得经训练的学生模型；

S5：将待识别人脸图片输入所述经训练的学生模型，以获得所述待识别人脸图片为真实图片或伪造图片的概率值，根据概率值的大小判别人脸图像的真伪。

2.根据权利要求1所述的基于知识蒸馏的人脸伪造线索迁移方法，其特征在于，所述S2包括：

选取分类网络Resnet50或XceptionNet作为教师模型，利用所述预训练数据集中的带标签的人脸真实图片和人脸伪造图片对所述教师模型进行多轮训练，每轮训练结束后利用验证集对训练后的教师模型进行验证并获得准确率，当连续预定次数的训练后准确率均下降，则选择连续下降之前最后一轮训练后的教师模型作为最终训练后的教师模型。

3.根据权利要求1所述的基于知识蒸馏的人脸伪造线索迁移方法，其特征在于，所述教师模型和所述学生模型的softmax函数表达式均为：

其中，x_i表示教师模型或学生模型的输出向量中第i类的值，T表示温度参数，x_j表示输出向量中第j维的值，n是输出向量的维数。

4.根据权利要求3所述的基于知识蒸馏的人脸伪造线索迁移方法，其特征在于，所述S4包括：

S41：选取训练数据集，所述训练数据集包括多张带标签的人脸真实图片及多张带标签的人脸伪造图片，并且所述预训练数据集与训练数据集中为不同图片；

S42：将所述训练数据集的图片分别输入所述训练后的教师模型和所述学生模型中，分别得到教师模型的预测概率值、教师模型指导学生模型的软标签、教师模型的损失、学生模型的预测概率值、教师模型指导学生模型的软预测值及学生模型的损失；

S43：根据所述软标签和所述软预测值获得所述教师学生联合网络模型的蒸馏损失；

S44：根据教师模型的损失、学生模型的损失以及教师学生联合网络模型的蒸馏损失获得所述教师学生联合网络模型的最终训练损失，并根据所述最终训练损失更新所述教师学生联合网络模型中教师模型和学生模型的权重参数；

S45：重复步骤S41-S44，利用训练数据集对所述教师学生联合网络模型进行多轮训练，获得经训练的学生模型。

5.根据权利要求4所述的基于知识蒸馏的人脸伪造线索迁移方法，其特征在于，所述教师模型的损失函数为：

其中，x为输入图片，y_i表示输入图片真实的类标签，表示教师模型的预测输出向量第i维的值,n为输出向量的维度。

6.根据权利要求4所述的基于知识蒸馏的人脸伪造线索迁移方法，其特征在于，所述学生模型的损失函数为：

其中，x为输入图片，y_i表示输入图片真实的类标签，表示学生模型的预测输出向量第i维的值,n为输出向量的维度。

7.根据权利要求4所述的基于知识蒸馏的人脸伪造线索迁移方法，其特征在于，所述教师学生联合网络模型的蒸馏损失函数为：

其中，T＝t，t为任意大于等于1的整数。