[发明专利]一种基于深度学习的图像鉴伪方法及系统

说明书

本发明公开了一种基于深度学习的图像鉴伪方法及系统，基于深度合成方法生成的伪造图像数据，通过训练一个鉴伪分类器来实现对真实图像与伪造图像的判别，为了使分类器具有更好的泛化性，通过知识蒸馏的方法将分类器推广到其他生成方法中，并有效避免灾难性遗忘的问题。通过深度学习技术来鉴别图像是真实拍摄的还是通过后期处理亦或是AI合成产生的虚假图像，从而在使用深度合成技术的同时研发相应的监管技术，实现用技术管住技术。

技术领域

本发明涉及深度学习技术领域，具体涉及一种基于深度学习的图像鉴伪方法及系统。

背景技术

近两年来，随着以机器学习为代表的人工智能技术的发展，人工智能自动生成内容取得了显著的进步，不仅内容的质量得到了提高，而且内容的形式日益多元化，例如生成文字、图像、声音、视频等。在此背景下，深度伪造技术“应运而生”，可以实现图像、声音、视频的篡改、伪造和自动生成，产生高度逼真且难以甄别的效果。深度伪造的最常见方式是AI换脸技术，例如deepfake、face2face等；此外，还包括语音模拟、人脸合成、视频生成等，以下统称深度伪造技术。然而一旦这一技术被滥用，则可能给国家安全和公民、企业权益带来新的风险，对国家安全甚至世界秩序都可能产生不可估量的影响。

发明内容

为此，本发明提供一种基于深度学习的图像鉴伪方法及系统，以实现通过深度学习技术来鉴别图像是真实拍摄的还是通过后期处理亦或是AI合成产生的虚假图像，从而在使用深度合成技术的同时研发相应的监管技术，实现用技术管住技术。

为了实现上述目的，本发明提供如下技术方案：

根据本发明实施例的第一方面，提出了一种基于深度学习的图像鉴伪方法，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。

进一步地，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。

进一步地，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。

进一步地，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；