【技术实现步骤摘要】
本专利技术涉及图像识别，尤其涉及一种ai图像识别方法、装置、电子设备以及介质。
技术介绍
1、随着人工智能技术的快速发展，生成对抗网络(gan)等ai(artificialintelligence，人工智能)模型被广泛应用于图像生成领域。这些技术能够生成高度逼真的图像，广泛用于娱乐、广告、设计等行业。然而，ai模型生成的图片可能会被恶意用来制作虚假信息，产生社会负面影响。因此，识别ai图像变得至关重要。
2、现有的图像识别技术大多集中于识别拍摄的普通图像中的对象和场景，通过拍摄的图像的对象和场景识别的方式，挪用到识别图像是否为ai模型生成的图像上时，准确率比较低。
技术实现思路
1、本专利技术提供一种ai图像识别方法、装置、电子设备以及介质，通过全局特征和局部特征融合的方式识别待识别图像是否为ai图像，提高了识别的准确率。
2、第一方面，本专利技术实施例提供一种ai图像识别方法，包括：
3、通过特征提取器从待识别图像中提取全局特征；
4、将所述待识别图像划分出多个图像块，并对每个所述图像块进行局部自相似性处理，得到相似性矩阵，对所述相似性矩阵进行特征提取，得到局部特征；
5、根据所述全局特征和所述局部特征对所述待识别图像进行识别，预测所述待识别图像是否为ai图像。
6、上述方法，能够通过特征提取器提取图像的全局特征，并将图像划分多个图像块，通过确定图像块自身的局部自相似性处理得到局部特征，将全局特征和局部特征融
7、在一种可能实施的方式中，其中，所述特征提取器为预训练的深度学习模型。
8、在一种可能实施的方式中，其中，所述特征提取器为利用小卷积核建立的深度学习模型、和/或利用残差结构建立的深度学习模型。
9、在一种可能实施的方式中，所述根据所述全局特征和所述局部特征对所述待识别图像进行识别，预测所述待识别图像是否为ai图像，包括：
10、利用第一权重对所述全局特征进行加权，并利用第二权重对所述局部特征进行加权；
11、将加权后的所述全局特征和加权后的所述局部特征组成融合矩阵；
12、将所述融合矩阵输入到分类模型中，输出所述待识别图像是否为ai图像。
13、在一种可能实施的方式中，所述将加权后的所述全局特征和加权后的所述局部特征组成融合矩阵，包括：
14、将加权后的所述全局特征和加权后的所述局部特征之和，作为融合矩阵；或者
15、将加权后的所述局部特征拼接在加权后的所述全局特征之后，组成融合矩阵。
16、在一种可能实施的方式中，所述方法还包括：
17、利用训练集对分类模型进行多次训练；其中，所述训练集包括多个训练所用的融合矩阵和标注训练所用的融合矩阵对应的图像是否为ai图像的信息；
18、针对每次训练，将所述训练集中的融合矩阵输入到分类模型中，输出所述训练集中的融合矩阵对应的预测分类；
19、根据所述训练集中的融合矩阵对应的预测分类和所述训练集中的融合矩阵的标注信息，调整所述分类模型。
20、在一种可能实施的方式中，所述根据所述全局特征和所述局部特征对所述待识别图像进行识别，预测所述待识别图像是否为ai图像之后，所述方法还包括：
21、确定所述待识别图像的实际分类结果；
22、若所述待识别图像的实际分类结果和预测的结果不同，则按照预测策略调整所述第一权重和所述第二权重；其中，所述预测策略包括第一策略和第二策略；所述第一策略和所述第二策略对所述第一权重和所述第二权重的调整方向不同，所述第一策略和所述第二策略对所述第一权重和所述第二权重的调整步长相同；
23、采用所述第一策略调整后的所述第一权重和所述第二权重重新对所述待识别图像进行预测，得到第一结果，并采用所述第二策略调整后的所述第一权重和所述第二权重重新对所述待识别图像进行预测，得到第二结果；
24、如果所述第一结果和所述待识别图像的实际分类结果相同，则按照所述第一策略调整的第一权重和第二权重继续预测；
25、若所述第二结果和所述待识别图像的实际分类结果相同，则按照所述第二策略调整的第一权重和第二权重继续预测。
26、第二方面，本专利技术实施例提供了一种ai图像识别方法装置，包括：
27、第一提取模块，用于通过特征提取器从待识别图像中提取全局特征；
28、第二提取模块，用于将所述待识别图像划分出多个图像块，并对每个所述图像块进行局部自相似性处理，得到相似性矩阵，对所述相似性矩阵进行特征提取，得到局部特征；
29、预测模块，用于根据所述全局特征和所述局部特征对所述待识别图像进行识别，预测所述待识别图像是否为ai图像。
30、第三方面，本专利技术实施例提供一种电子设备，包括：
31、处理器；
32、处理器，用于执行所述存储器中的计算机程序或指令，使得如第一方面中任一所述的ai图像识别方法被执行。
33、第四方面，本专利技术实施例提供一种计算机可读存储介质，当所述存储介质中的指令由处理器执行时，使得所述处理器能够执行如第一方面中任一所述的ai图像识别方法。
34、第五方面，本专利技术实施例提供一种计算机程序产品，所述计算机程序产品包括：计算机程序代码，当所述计算机程序代码在计算机上运行时，使得计算机执行上述如第一方面中任一所述的ai图像识别方法。
35、另外，第二方面至第五方面中任一种实现方式所带来的技术效果可参见第一方面中不同实现方式所带来的技术效果，此处不再赘述。
36、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本专利技术。
本文档来自技高网...【技术保护点】
1.一种AI图像识别方法，其特征在于，包括：
2.根据权利要求1所述的AI图像识别方法，其特征在于，其中，所述特征提取器为预训练的深度学习模型。
3.根据权利要求1所述的AI图像识别方法，其特征在于，其中，所述特征提取器为利用小卷积核建立的深度学习模型、和/或利用残差结构建立的深度学习模型。
4.根据权利要求1所述的AI图像识别方法，其特征在于，所述根据所述全局特征和所述局部特征对所述待识别图像进行识别，预测所述待识别图像是否为AI图像，包括：
5.根据权利要求4所述的AI图像识别方法，其特征在于，所述将加权后的所述全局特征和加权后的所述局部特征组成融合矩阵，包括：
6.根据权利要求4所述的AI图像识别方法，其特征在于，所述方法还包括：
7.根据权利要求4所述的AI图像识别方法，其特征在于，所述根据所述全局特征和所述局部特征对所述待识别图像进行识别，预测所述待识别图像是否为AI图像之后，所述方法还包括：
8.一种AI图像识别方法装置，其特征在于，包括：
9.一种电子设备，其特征在于，包
10.一种计算机可读存储介质，其特征在于，当所述存储介质中的指令由处理器执行时，使得所述处理器能够执行如权利要求1-7中任一所述的AI图像识别方法。
...【技术特征摘要】
1.一种ai图像识别方法，其特征在于，包括：
2.根据权利要求1所述的ai图像识别方法，其特征在于，其中，所述特征提取器为预训练的深度学习模型。
3.根据权利要求1所述的ai图像识别方法，其特征在于，其中，所述特征提取器为利用小卷积核建立的深度学习模型、和/或利用残差结构建立的深度学习模型。
4.根据权利要求1所述的ai图像识别方法，其特征在于，所述根据所述全局特征和所述局部特征对所述待识别图像进行识别，预测所述待识别图像是否为ai图像，包括：
5.根据权利要求4所述的ai图像识别方法，其特征在于，所述将加权后的所述全局特征和...
【专利技术属性】
技术研发人员：徐平，
申请(专利权)人：北银金融科技有限责任公司，
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。