[发明专利]一种基于深度学习的图像鉴伪方法及系统

权利要求书

1.一种基于深度学习的图像鉴伪方法，其特征在于，所述方法包括：

使用第一训练集对预先构建的鉴伪分类器模型进行训练，所述训练集中包括经过分类标注的真实图像和伪造图像，并使用第一测试集对训练的鉴伪分类器模型进行测试；

将得到的鉴伪分类器模型作为教师网络，构建与所述教师网络对应的学生网络模型；使用第二训练集对学生网络模型进行训练，并通过知识蒸馏的方式利用训练好的教师网络模型指导学生网络模型的训练，使用第二测试集对训练的学生网络模型进行测试；

将得到的学生网络模型作为最终的鉴伪分类器模型进行图像的鉴伪。

2.根据权利要求1所述的一种基于深度学习的图像鉴伪方法，其特征在于，使用第一训练集对预先构建的鉴伪分类器模型进行训练，具体包括：

鉴伪分类器模型包括图像特征提取模块和分类预测模块；

将训练集中的真实图像数据与伪造图像数据批量输入鉴伪分类器网络，通过图像特征提取模块得到各个图像的特征图信息；

提取到的特征图输入分类预测模块，对真实图像数据与伪造图像数据进行分类预测，并输出预测的类别标签。

3.根据权利要求1所述的一种基于深度学习的图像鉴伪方法，其特征在于，使用第一训练集对预先构建的鉴伪分类器模型进行训练，具体包括：

采用交叉熵损失来表示鉴伪分类器模型的预测输出与真实标签之间的误差，使用交叉熵损失函数对鉴伪分类器网络进行迭代训练，在每个训练epoch结束时利用测试集对分类器网络进行鉴伪准确率的测试；

当损失函数值不再下降时，停止训练，输出在测试集上鉴伪准确率最高的鉴伪分类器模型。

4.根据权利要求3所述的一种基于深度学习的图像鉴伪方法，其特征在于，利用训练好的教师网络模型指导学生网络模型的训练，具体包括：

使用所述交叉熵损失函数来表示新的学生网络的预测输出与真实标签之间的误差；使用KL散度损失函数来表示学生网络的软化分布输出与教师网络软化分布输出之间的差异；对所述交叉熵损失函数和KL散度损失函数进行加权求和得到总的损失函数，通过知识蒸馏的方式训练学生网络；

使用总的交叉熵损失函数对学生网络进行迭代训练，在每个训练epoch结束时利用测试集对分类器网络进行鉴伪准确率的测试；

当损失函数值不再下降时，停止训练，输出在测试集上鉴伪准确率最高的鉴伪分类器模型。

5.根据权利要求1所述的一种基于深度学习的图像鉴伪方法，其特征在于，所述方法还包括：

所述第一训练集和第二训练集中的伪造图像采用不同的深度图像合成方法得到。

6.一种基于深度学习的图像鉴伪系统，其特征在于，所述系统包括：

教师网络训练模块，用于使用第一训练集对预先构建的鉴伪分类器模型进行训练，所述训练集中包括经过分类标注的真实图像和伪造图像，并使用第一测试集对训练的鉴伪分类器模型进行测试；

学生网络训练模块，用于将得到的鉴伪分类器模型作为教师网络，构建与所述教师网络对应的学生网络模型；使用第二训练集对学生网络模型进行训练，并通过知识蒸馏的方式利用训练好的教师网络模型指导学生网络模型的训练，使用第二测试集对训练的学生网络模型进行测试；

鉴伪模块，用于将得到的学生网络模型作为最终的鉴伪分类器模型进行图像的鉴伪。

7.根据权利要求6所述的一种基于深度学习的图像鉴伪系统，其特征在于，所述教师网络训练模块，具体用于：

采用交叉熵损失来表示鉴伪分类器模型的预测输出与真实标签之间的误差，使用交叉熵损失函数对鉴伪分类器网络进行迭代训练，在每个训练epoch结束时利用测试集对分类器网络进行鉴伪准确率的测试；

当损失函数值不再下降时，停止训练，输出在测试集上鉴伪准确率最高的鉴伪分类器模型。

8.根据权利要求7所述的一种基于深度学习的图像鉴伪系统，其特征在于，所述学生网络训练模块，具体用于：

使用所述交叉熵损失函数来表示新的学生网络的预测输出与真实标签之间的误差；使用KL散度损失函数来表示学生网络的软化分布输出与教师网络软化分布输出之间的差异；对所述交叉熵损失函数和KL散度损失函数进行加权求和得到总的损失函数，通过知识蒸馏的方式训练学生网络；

使用总的交叉熵损失函数对学生网络进行迭代训练，在每个训练epoch结束时利用测试集对分类器网络进行鉴伪准确率的测试；

当损失函数值不再下降时，停止训练，输出在测试集上鉴伪准确率最高的鉴伪分类器模型。