本申请涉及人工智能技术，提供了一种证件真实性不确定度度量方法及装置、设备、存储介质，其中方法包括：获取证件样本以及与证件样本对应的多个类别标注概率；将证件样本输入初始分类网络模型，以使初始分类网络模型输出类别特征序列；根据各个类别特征参数，分别得到每个类别对应的狄利克雷浓度参数和输出概率；根据各个类别对应的狄利克雷浓度参数、输出概率和类别标注概率计算交叉熵损失函数值；根据交叉熵损失函数值训练初始分类网络模型，得到目标分类网络模型；通过目标分类网络模型得到证件样本的不确定度。本申请实施例中，通过目标分类网络模型对证件样本进行真实性不确定度度量,能够良好评估证件真实性，解决证件欺诈隐患。诈隐患。诈隐患。
【技术实现步骤摘要】
证件真实性不确定度度量方法及装置、设备、存储介质
[0001]本申请实施例涉及但不限于图像处理
，尤其涉及一种证件真实性不确定度度量方法及装置、电子设备及计算机可读存储介质。
技术介绍
[0002]在金融场景下，对数据的来源与有效性有着较高的要求。实际场景中涉及到的数据可能为真实数据、翻拍数据、复印数据以及其他方式的人工伪造数据等，需要从中筛选出真实数据；目前，常规的神经网络虽然能够给出具体类别的概率分布，但是并未能够对具体类别的真实性进行评估度量，无法解决金融场景下存在的非真实证件的欺诈隐患。
技术实现思路
[0003]以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
[0004]本申请实施例提供了一种证件真实性不确定度度量方法及装置、电子设备及计算机可读存储介质，能够良好评估证件真实性，解决证件欺诈隐患。
[0005]第一方面，本申请实施例提供了一种证件真实性不确定度度量方法，包括：
[0006]获取证件样本以及与所述证件样本对应的多个类别标注概率，其中，每个所述类别标注概率对应所述证件样本的一个类别；
[0007]将所述证件样本输入初始分类网络模型，以使所述初始分类网络模型输出类别特征序列，所述类别特征序列包括多个类别特征参数，每个所述类别特征参数对应所述证件样本的一个类别；
[0008]根据所述类别特征序列中的各个所述类别特征参数，分别得到所述证件样本的每个类别对应的狄利克雷浓度参数和输出概率；
[0009]根据各个类别对应的狄利克雷浓度参数、输出概率和类别标注概率计算交叉熵损失函数值；
[0010]根据所述交叉熵损失函数值训练所述初始分类网络模型，得到目标分类网络模型；
[0011]通过所述目标分类网络模型对所述证件样本进行真实性不确定度度量，得到所述证件样本的不确定度。
[0012]根据本申请提供的实施例的证件真实性不确定度度量方法，至少具有如下有益效果：在得到证件样本以及确定证件样本对应的多个类别标注概率的情况下，通过初始分类网络模型处理证件样本以实现证件样本特征的分类输出，进而通过确定计算证件样本的各个类别在狄利克雷分布下的相关参数而计算得到交叉熵损失函数值，由于交叉熵损失函数值可以用于评价初始分类网络模型的输出结果的风险程度，因此根据交叉熵损失函数值训练初始分类网络模型，以进一步对初始分类网络模型进行优化，得到符合要求的目标分类网络模型，从而通过目标分类网络模型对证件样本进行真实性不确定度度量，能够稳定可
靠地得到证件样本的不确定度，在这种情况下所确定的证件样本的不确定度符合金融场景要求，能够良好评估证件真实性，解决证件欺诈隐患。
[0013]根据本申请的一些实施例，所述初始分类网络模型包括分块层、编码层和输出层；所述初始分类网络模型基于如下步骤输出类别特征序列：
[0014]通过所述分块层将所述证件样本划分为多个分块样本，每个所述分块样本对应所述证件样本的一个类别；
[0015]通过所述编码层对每个所述分块样本进行编码处理，分别得到与每个所述分块样本对应的所述类别特征参数；
[0016]通过所述输出层基于各个所述类别特征参数输出类别特征序列。
[0017]在初始分类网络模型包括分块层、编码层和输出层的情况下，通过分块层将证件样本划分为多个分块样本，从而实现对于证件样本的类别划分，并且通过编码层对每个分块样本进行编码处理，从而实现对于证件样本的每个类别的特征参数提取，以良好地区分每个证件样本的类别，同时通过输出层基于各个类别特征参数输出类别特征序列，从而能够得到每个证件样本的类别对应的类比特征参数，以便于后续步骤中基于类别特征序列进行计算。
[0018]根据本申请的一些实施例，所述根据所述类别特征序列中的各个所述类别特征参数，分别得到所述证件样本的每个类别对应的狄利克雷浓度参数和输出概率，包括：
[0019]对于每个所述证件样本的类别，将所述证件样本的类别对应的所述类别特征参数加一，得到所述证件样本的类别对应的狄利克雷浓度参数；
[0020]将所述证件样本的类别对应的所述狄利克雷浓度参数，除以各个所述证件样本的类别对应的所述狄利克雷浓度参数之和，得到所述证件样本的类别的输出概率。
[0021]通过计算得到证件样本的各个类别分别对应的狄利克雷浓度参数和输出概率，能够得到证件样本在狄利克雷分布下的相关参数，以便于在后续步骤中部基于其计算损失交叉熵损失函数值。
[0022]根据本申请的一些实施例，所述根据各个类别对应的所述狄利克雷浓度参数、所述输出概率和所述类别标注概率计算交叉熵损失函数值，包括：
[0023]对于每个所述证件样本的类别，基于所述证件样本的类别对应的所述输出概率、所述类别标注概率，以及各个所述证件样本的类别对应的所述狄利克雷浓度参数之和，得到分类损失参量，将多个所述分类损失参量进行叠加计算得到分类损失函数值；
[0024]基于所述证件样本的类别数以及所述类别对应的所述狄利克雷浓度参数、所述类别标注概率，计算得到正则化损失函数值；
[0025]将所述分类损失和所述正则化损失线性相加，得到交叉熵损失函数值。
[0026]通过分别计算分类损失函数值和正则化损失函数值再进行汇总，可以将初始分类网络模型的输出结果的各个方面差异以数值的形式进行表达，从而能够更直观地体现初始分类网络模型的输出结果的缺陷，以便于对初始分类网络模型的输出结果的缺陷进行调整。
[0027]根据本申请的一些实施例，所述基于所述证件样本的类别数以及所述类别对应的所述狄利克雷浓度参数、所述类别标注概率，计算得到正则化损失函数值，包括：
[0028]对于每个所述证件样本的类别，基于所述类别标注概率对所述证件样本的类别对
应的所述狄利克雷浓度参数进行修正处理，得到修正狄利克雷浓度参数；
[0029]基于所述证件样本的类别对应的所述修正狄利克雷浓度参数，得到正则化损失参量；
[0030]将多个所述正则化损失参量进行叠加计算得到正则化损失函数值。
[0031]通过类别标注概率对各个类别的狄利克雷浓度参数进行修正处理，可以得到标注下的修正狄利克雷浓度参数，进而基于证件样本的类别对应的修正狄利克雷浓度参数，可以准确计算得到正则化损失参量。
[0032]根据本申请的一些实施例，所述根据所述交叉熵损失函数值训练所述初始分类网络模型，得到目标分类网络模型，包括：
[0033]根据所述交叉熵损失函数值确定所述类别特征序列的预估误差；
[0034]基于所述预估误差训练所述初始分类网络模型，得到目标分类网络模型。
[0035]通过交叉熵损失函数值确定类别特征序列的预估误差，可以找出当前输出的类别特征序列的缺陷，进而将该预估误差反馈回到初始分类网络模型中进行训练，即能通过训练缺陷的方式以实现预估误差的减弱、调整，得到符合要求的目标分类网络模型。
[0036]根据本申本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种证件真实性不确定度度量方法，其特征在于，包括：获取证件样本以及与所述证件样本对应的多个类别标注概率，其中，每个所述类别标注概率对应所述证件样本的一个类别；将所述证件样本输入初始分类网络模型，以使所述初始分类网络模型输出类别特征序列，所述类别特征序列包括多个类别特征参数，每个所述类别特征参数对应所述证件样本的一个类别；根据所述类别特征序列中的各个所述类别特征参数，分别得到所述证件样本的每个类别对应的狄利克雷浓度参数和输出概率；根据各个类别对应的狄利克雷浓度参数、输出概率和类别标注概率计算交叉熵损失函数值；根据所述交叉熵损失函数值训练所述初始分类网络模型，得到目标分类网络模型；通过所述目标分类网络模型对所述证件样本进行真实性不确定度度量，得到所述证件样本的不确定度。2.根据权利要求1所述的证件真实性不确定度度量方法，其特征在于，所述初始分类网络模型包括分块层、编码层和输出层；所述初始分类网络模型基于如下步骤输出类别特征序列：通过所述分块层将所述证件样本划分为多个分块样本，每个所述分块样本对应所述证件样本的一个类别；通过所述编码层对每个所述分块样本进行编码处理，分别得到与每个所述分块样本对应的所述类别特征参数；通过所述输出层基于各个所述类别特征参数输出类别特征序列。3.根据权利要求1所述的证件真实性不确定度度量方法，其特征在于，所述根据所述类别特征序列中的各个所述类别特征参数，分别得到所述证件样本的每个类别对应的狄利克雷浓度参数和输出概率，包括：对于每个所述证件样本的类别，将所述证件样本的类别对应的所述类别特征参数加一，得到所述证件样本的类别对应的狄利克雷浓度参数；将所述证件样本的类别对应的所述狄利克雷浓度参数，除以各个所述证件样本的类别对应的所述狄利克雷浓度参数之和，得到所述证件样本的类别的输出概率。4.根据权利要求1或3所述的证件真实性不确定度度量方法，其特征在于，所述根据各个类别对应的所述狄利克雷浓度参数、所述输出概率和所述类别标注概率计算交叉熵损失函数值，包括：对于每个所述证件样本的类别，基于所述证件样本的类别对应的所述输出概率、所述类别标注概率，以及各个所述证件样本的类别对应的所述狄利克雷浓度参数之和，得到分类损失参量，将多个所述分类损失参量进行叠加计算得到分类损失函数值；基于所述证件样本的类别数以及所述类别对应的所述狄利克雷浓度参数、所述类别标注概率，计算得到正则化损失函数值；将所述分类损失和所述正则化损失线性相加，得到交叉熵损失函数值。5.根据权利要求4所述的证件真实性不确定度度量方法，其特征在于，所述基于所述证件样本的类别数以及所述类别对应的所述狄利克...
【专利技术属性】
技术研发人员：庞烨，侯凯，高欣建，韩茂琨，刘玉宇，肖京，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。