[发明专利]双注意力机制高频信息感知的深度伪造检测方法和系统

说明书

公开了双注意力机制高频信息感知的深度伪造检测方法和系统，包括利用主干网络的四个残差卷积块进行特征提取，四个残差卷积块分别为Stage1、Stage2、Stage3和Stage4；利用空间‑通道信息增强模块来进行特征重建与增强，将所述空间‑通道信息增强模块输出的特征与第i个Stage的输出特征进行通道级联后送入第i+1个Stage；利用标签平滑正则化的交叉嫡损失函数进行约束。本发明利用双注意力机制来增强高频信息的表达，增强高频信息对网络训练的影响，且双注意力机制只用于训练阶段，在增加少量参数的情况下，可以提升网络的准确率。

技术领域

本发明涉及图像检测的技术领域，尤其是双注意力机制高频信息感知的深度伪造检测方法和系统。

背景技术

随着深度学习技术的迅速发展，生成对抗网络能生成高质量的伪造人脸图像。然而，这项技术可能会被不法分子所使用，造成社会出现严重的信息泄露问题。为了避免因伪造人脸造成的信息泄露问题，深度伪造人脸检测技术得到许多的关注。现有算法主要以RGB图像作为卷积神经网络(例如，ResNet50或者Inception)的输入，提取人脸图像的高层语义特征，来判别该输入的图像是否为伪造人脸。

目前，深度伪造人脸检测算法以卷积神经网络为主要框架，提取人脸图像中的高频信息和低频信息，高频信息存在于图像边缘处，低频信息主要是存在于人脸像素平缓区域。卷积神经网络能很好的保留低频信息，并逐渐转换为高级的语义信息。然而，高频信息会因为网络层数和反向传播等问题，导致梯度信息逐渐消失，无法起到参数更新的作用。

人脸RGB图像分为高频信息和低频信息，低频信息定义为图像强度变换平缓的像素点，高频图像定义为图像强度变化剧烈的像素点。在伪造人脸中，伪造区域的边缘像素通常变化明显，对于非伪造区域的像素较为平缓。卷积神经网络利用层数的不断加深来提取高层语义信息，使得特征更具区分力。然而，高层语义信息更多是由低频信息转化而来，随着网络层数的加深，高频信息通常被忽略。高频信息更多是因伪造而导致的像素剧烈变化，因此，让卷积神经网络尽可能保留高频信息是提升深度伪造图像检测方法的关键。

发明内容

为了解决现有技术中存在的上述技术问题，本发明提出了一种双注意力机制高频信息感知的深度伪造检测方法和系统，以解决上述技术问题。

根据本发明的一个方面，提出了双注意力机制高频信息感知的深度伪造检测方法，包括：

S1：利用主干网络的四个残差卷积块进行特征提取，四个残差卷积块分别为Stage1、Stage2、Stage3和Stage4；

S2：利用空间-通道信息增强模块来进行特征重建与增强，将空间-通道信息增强模块输出的特征与第i个Stage的输出特征进行通道级联后送入第i+1个Stage；

S3：利用标签平滑正则化的交叉嫡损失函数进行约束。

在一些具体的实施例中，空间-通道信息增强模块中通道信息增强模块的表达式如下：F_Ci＝σ(f₁(R(f₂(GAP(F_i)))))，其中，F_i定义为第i个Stage的输出特征，σ定义为Sigmoid激活函数，R定义为ReLU激活函数，GAP定义为全局平均池化，f₁和f₂定义为不同的全连接层，F_CCi定义为通道信息增强模块最后的特征输出。

在一些具体的实施例中，空间-通道信息增强模块中空间信息增强模块的表达式如下：F_SSi＝σ(C(F_i))，其中，C定义为1*1卷积层，F_SSi定义为空间信息增强模块的特征输出。

在一些具体的实施例中，整个空间-通道信息增强模块的特征输出定义为

在一些具体的实施例中，级联后的特征引入1*1卷积将通道降为原来的1/2。