[发明专利]人脸对抗样本生成模型的构建方法、装置及设备

权利要求书

1.一种人脸对抗样本生成模型的构建方法，其特征在于，包括：

基于生成对抗网络，获取人脸图像样本并输入生成器，得到所述生成器合成并输出的人脸掩码；其中，所述人脸图像样本包括目标人脸图像和原始人脸图像；且在生成所述人脸掩码的过程中使用L2范数约束扰动；

将所述人脸掩码和所述原始人脸图像之和作为人脸对抗样本输入判别器，得到判别结果，用于区分原始人脸图像和人脸对抗样本；

将所述人脸对抗样本输入预先训练的目标攻击模型，得到输出结果，以完成一次训练；

在每次训练后，基于对应的判别结果和输出结果更新所述生成器和所述判别器的参数，并重复进行预设次数的训练，以基于最终确定的生成器和判别器得到人脸对抗样本生成模型。

2.根据权利要求1所述的方法，其特征在于，采用的生成对抗网络为WGAN-GP。

3.根据权利要求2所述的方法，其特征在于，使用L2范数约束扰动时采用的扰动损失函数为：

式中，x为人脸图像样本，G(x)为生成器合成的人脸掩码，ε为允许扰动的最小值，取值范围为[0,∞)。

4.根据权利要求3所述的方法，其特征在于，对于无目标攻击，去最小化原始人脸图像和人脸对抗样本之间的余弦相似度，其中使用的身份损失函数为：

L_identity＝Ex[F(x,x+G(x))]

式中，F(x,y)为x，y的人脸余弦相似度，用于监督人脸对抗样本模型的训练；

对于有目标攻击，去最大化目标人脸图像和人脸对抗样本之间的余弦相似度，其中使用的损失函数为：

L_identity＝Ex[1-F(y,x+G(x))]

式中，y为目标人脸图像。

5.根据权利要求4所述的方法，其特征在于，所述判别器使用的损失函数为：

式中，D(x)表示判别x是真/假，D(x+G(x))表示判别x+G(x)是真/假，γ为梯度惩罚的超参数，γ＝0.25。

6.根据权利要求5所述的方法，其特征在于，所述生成对抗网络使用的总的损失函数为：

L_总＝L_GAN+δ_iL_identity+δ_pL_perturbation

式中，δ_i为控制扰动损失的超参数，δ_p为控制身份损失的超参数，δ_i＝1.5，δ_p＝10。

7.一种人脸对抗样本生成模型的构建装置，其特征在于，包括：

获取模块，用于基于生成对抗网络，获取人脸图像样本并输入生成器，得到所述生成器合成并输出的人脸掩码；其中，所述人脸图像样本包括目标人脸图像和原始人脸图像；且在生成所述人脸掩码的过程中使用L2范数约束扰动；

第一输入模块，用于将所述人脸掩码和所述原始人脸图像之和作为人脸对抗样本输入判别器，得到判别结果，用于区分原始人脸图像和人脸对抗样本；

第二输入模块，用于将所述人脸对抗样本输入预先训练的目标攻击模型，得到输出结果，以完成一次训练；

处理模块，用于在每次训练后，基于对应的判别结果和输出结果更新所述生成器和所述判别器的参数，并重复进行预设次数的训练，以基于最终确定的生成器和判别器得到人脸对抗样本生成模型。

8.一种电子设备，其特征在于，包括：

存储器和与所述存储器相连接的处理器；

所述存储器用于存储计算机程序，所述计算机程序至少用于实现如权利要求1-6任一项所述的方法；

所述处理器用于调用并执行所述存储器存储的所述计算机程序。