[发明专利]图像检测模型的生成方法、检测方法、终端及存储介质

权利要求书

1.一种图像检测模型的生成方法，其特征在于，包括：

获取第一训练图像集；其中，所述第一训练图像集中包括若干第一训练图像及所述若干第一训练图像对应的第一真实分类标签，所述若干第一训练图像包括真实图像、经过AI算法处理的虚假图像以及经过AE算法处理的虚假图像；

将所述第一训练图像集中的若干第一训练图像分别输入已训练的AI虚假图像检测模块和已训练的AE虚假图像检测模块，通过已训练的AI虚假图像检测模块的倒数第二层输出第一特征向量，以及通过已训练的AE虚假图像检测模块的倒数第二层输出第二特征向量；

根据所述第一特征向量、所述第二特征向量以及所述第一真实分类标签对预设分类模块进行训练，以得到图像检测模型。

2.根据权利要求1所述的图像检测模型的生成方法，其特征在于，所述AE虚假图像检测模块为经过ImageNet数据集训练的XceptionNet网络，所述AE虚假图像检测模块的训练过程具体包括：

获取第二训练图像集；所述第二训练图像集中包括若干第二训练图像以及所述若干第二训练图像对应的第二真实分类标签，所述若干第二训练图像包括真实图像和经过AE算法处理的虚假图像；

根据所述第二训练图像集和所述第二真实分类标签对所述AE虚假图像检测模块的最后一层进行训练，得到预训练的AE虚假图像检测模块；

根据所述第二训练图像集和所述第二真实分类标签对所述预训练的AE虚假图像检测模块的所有层进行训练，得到已训练的AE虚假图像检测模块。

3.根据权利要求2所述的图像检测模型的生成方法，其特征在于，所述根据所述第二训练图像集和所述第二真实分类标签对所述AE虚假图像检测模块的最后一层进行训练，得到预训练的AE虚假图像检测模块的步骤包括：

将所述第二训练图像集中的若干第二训练图像输入所述AE虚假图像检测模块中，通过所述AE虚假图像检测模块输出所述若干第二训练图像对应的第一预测分类标签；

根据所述第一预测分类标签和所述第二真实分类标签，确定所述AE虚假图像检测模块对应的第一损失值；

当所述第一损失值不小于预设第一阈值时，对所述AE虚假图像检测模块的最后一层的系数进行修正，并继续执行通过所述AE虚假图像检测模块输出所述若干第二训练图像对应的第一预测分类标签的步骤，直至所述第一损失值小于预设第一阈值，得到预训练的AE虚假图像检测模块。

4.根据权利要求2所述的图像检测模型的生成方法，其特征在于，所述根据所述第二训练图像集和所述第二真实分类标签对所述预训练的AE虚假图像检测模块的所有层进行训练，得到已训练的AE虚假图像检测模块的步骤包括：

将所述第二训练图像集中的若干第二训练图像输入所述预训练的AE虚假图像检测模块中，通过所述预训练的AE虚假图像检测模块输出所述若干第二训练图像对应的第二预测分类标签；

根据所述第二预测分类标签和所述第二真实分类标签，确定所述预训练的AE虚假图像检测模块对应的第二损失值；

当所述第二损失值不小于预设第二阈值时，对所述预训练的AE虚假图像检测模块的所有层的系数进行修正，并继续执行通过所述预训练的AE虚假图像检测模块输出所述若干第二训练图像对应的第二预测分类标签的步骤，直至所述第二损失值小于预设第二阈值，得到已训练的AE虚假图像检测模块。

5.根据权利要求1所述的图像检测模型的生成方法，其特征在于，所述AI虚假图像检测模块为经过ImageNet数据集训练的XceptionNet模型，所述AI虚假图像检测模块的训练过程具体包括：

获取第三训练图像集；其中，所述第三训练图像集中包括若干第三训练图像以及所述若干第三训练图像对应的第三真实分类标签，所述若干第三训练图像包括真实图像和经过AI算法处理的虚假图像；

根据所述第三训练图像集和所述第三真实分类标签对所述AI虚假图像检测模块的最后一层进行训练，得到预训练的AI虚假图像检测模块；

根据所述第三训练图像集和所述第三真实分类标签对所述预训练的AI虚假图像检测模块的所有层进行训练，得到已训练的AI虚假图像检测模块。