【技術(shù)實現(xiàn)步驟摘要】
本申請涉及圖像處理，尤其涉及一種圖像類別的檢測方法、裝置、設備和存儲介質(zhì)。
技術(shù)介紹
1、隨著人工智能技術(shù)的不斷發(fā)展，向人工智能內(nèi)容生成(aidcartificialintelligence?generated?content，aigc)模型輸入指令，aigc模型會自動創(chuàng)建的文本、圖像、音頻或視頻等內(nèi)容。
2、然而，在一些領(lǐng)域中，由于真實性和版本問題等需要檢測一個圖像是不是aigc模型生成的。aigc生成圖像類別的檢測的目的是有效檢出圖像或者視頻是否由aigc生成。目前按照技術(shù)路線可以將圖像類別的檢測方法分為三類，第一類，基于物理特征對aigc生成圖像進行區(qū)分，此類方法主要是通過尋找人工信息與物理世界的不一致來對aigc生成圖像進行區(qū)分。例如基于透視中的照明與反射的物理規(guī)則，可以判斷圖像是否由aigc生成。第二類，對aigc生成的圖像添加數(shù)字水印，在ai圖像生成之初添加一個數(shù)字水印，后續(xù)只需檢測這個數(shù)字水印即可判斷圖像是否由aigc模型生成。第三類，基于深度學習模型對aigc圖像進行檢測的方法，此方法檢測效果通常依賴于網(wǎng)絡特征提取使用的有效性以及合適且多樣的訓練數(shù)據(jù)。
3、隨著aigc模型的不斷進化，圖像中的缺陷會慢慢消失，第一類檢測方法也會隨之失效。由于目前尚不存在完全可靠的數(shù)字水印技術(shù)，第二類很容易被破解，導致檢測準確性降低。第三類檢測方法依賴于提取到的樣本特征，在樣本風格差異較大時，模型檢測正確率降低。
技術(shù)實現(xiàn)思路
1、為了解決上述技術(shù)問題，本申請?zhí)?span style='display:none'>供了一種圖像類別的檢測方法、裝置、設備和存儲介質(zhì)，提升aigc圖像類別的檢測正確率。
2、第一方面，本申請?zhí)峁┝艘环N圖像類別的檢測方法，該方法包括：獲取待檢測圖像；利用風格分類模型對待檢測圖像進行分類，得到待檢測圖像的第一目標類別，第一目標類別包括真實風格類別或者非真實風格類別；將第一目標類別對應的圖像檢測模型作為目標檢測模型；利用目標圖像檢測模型對待檢測圖像進行檢測，得到待檢測圖像的第二目標類別，第二目標類別包括生成類別或者非生成類別。
3、第二方面，本申請?zhí)峁┝艘环N圖像類別的檢測裝置，該裝置包括：圖像獲取模塊，用于獲取待檢測圖像；風格檢測模塊，用于利用風格分類模型對待檢測圖像進行分類，得到待檢測圖像對應的第一目標類別，第一目標類別包括真實風格類別或者非真實風格類別；模型選取模塊，用于將第一目標類別對應的圖像檢測模型作為目標檢測模型；生成檢測模塊，用于利用目標圖像檢測模型對待檢測圖像進行檢測，得到待檢測圖像對應的第二目標類別，第二目標類別包括生成類別或者非生成類別。
4、第三方面，本申請?zhí)峁┝艘环N電子設備，該設備包括：一個或多個處理器；存儲裝置，用于存儲一個或多個程序；當一個或多個程序被一個或多個處理器執(zhí)行，使得一個或多個處理器實現(xiàn)如上述第一方面中的圖像類別的檢測方法。
5、第四方面，本申請?zhí)峁┝艘环N存儲介質(zhì)，該存儲介質(zhì)可以是計算機可讀存儲介質(zhì)，其上存儲有計算機程序，該程序被處理器執(zhí)行時實現(xiàn)如上述第一方面中的圖像類別的檢測方法。
6、第五方面，本申請實施例提供一種計算機程序產(chǎn)品，該計算機程序產(chǎn)品包括計算機程序或指令，該計算機程序或指令被處理器執(zhí)行時實現(xiàn)如上述第一方面中的圖像類別的檢測方法。
7、本申請實施例提供的技術(shù)方案與現(xiàn)有技術(shù)相比具有如下優(yōu)點：
8、本申請實施例提供了一種圖像類別的檢測方法、裝置、設備和存儲介質(zhì)，該方法包括：獲取待檢測圖像；利用風格分類模型對所述待檢測圖像進行分類，得到所述待檢測圖像的第一目標類別，所述第一目標類別包括真實風格類別或者非真實風格類別；將所述第一目標類別對應的圖像檢測模型作為目標檢測模型；利用所述目標圖像檢測模型對所述待檢測圖像進行檢測，得到所述待檢測圖像的第二目標類別，所述第二目標類別包括生成類別或者非生成類別。本申請實施例中由于先利用風格分類模型判斷出待檢測圖像的風格類別后，再根據(jù)風格類別送入對應的圖像檢測模型判斷待檢測圖像是不是生成類圖像，解決了圖像檢測準確率偏低的問題，提升了圖像類別檢測的準確性。
本文檔來自技高網(wǎng)...【技術(shù)保護點】
1.一種圖像類別的檢測方法，其特征在于，所述方法包括：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，還包括：
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，將所述第一目標類別對應的圖像檢測模型作為目標檢測模型，包括：
4.根據(jù)權(quán)利要求1-3中任意一項所述的方法，其特征在于，所述風格分類模型的總損失函數(shù)由交叉熵損失函數(shù)和中心損失函數(shù)確定，所述交叉熵損失函數(shù)通過如下公式表示；
5.根據(jù)權(quán)利要求1中任意一項所述的方法，其特征在于，所述目標圖像檢測模型包括圖像特征提取網(wǎng)絡、紋理特征提取網(wǎng)絡、融合層和全連接層；
6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述紋理特征提取網(wǎng)絡包括依次連接的第一卷積層、格拉姆矩陣、第二卷積層、第三卷積層和第一平均池化層；
7.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述圖像特征提取網(wǎng)絡至少兩個階段，所述階段包括區(qū)塊嵌入層和多個雙重注意力塊，所述區(qū)塊嵌入層用于將輸入圖像劃分為一系列非重疊的小塊；所述雙重注意力塊包括空間注意力層和通道注意力層。
8.一種圖像類別的檢測裝置，其特征在于，所述
9.一種電子設備，其特征在于，所述設備包括：
10.一種存儲介質(zhì)，其上存儲有計算機程序，其特征在于，該程序被處理器執(zhí)行時實現(xiàn)如權(quán)利要求1-7中任一項所述的圖像類別的檢測方法。
...【技術(shù)特征摘要】
1.一種圖像類別的檢測方法，其特征在于，所述方法包括：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，還包括：
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，將所述第一目標類別對應的圖像檢測模型作為目標檢測模型，包括：
4.根據(jù)權(quán)利要求1-3中任意一項所述的方法，其特征在于，所述風格分類模型的總損失函數(shù)由交叉熵損失函數(shù)和中心損失函數(shù)確定，所述交叉熵損失函數(shù)通過如下公式表示；
5.根據(jù)權(quán)利要求1中任意一項所述的方法，其特征在于，所述目標圖像檢測模型包括圖像特征提取網(wǎng)絡、紋理特征提取網(wǎng)絡、融合層和全連接層；
6.根據(jù)權(quán)利要求5所述的方法，其特征在于...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：劉瑞，阿曼太，傅強，馬寒軍，王杰，楊滿智，金紅，陳曉光，胡兵，
申請(專利權(quán))人：恒安嘉新北京科技股份公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。