【技术实现步骤摘要】
本申请涉及人工智能和深度学习领域，主要涉及一种基于gaae模型的视频真伪检测方法。
技术介绍
1、随着chatgpt的爆火，ai越来越深入到大多数人的生活中，aigc也从ai出文，ai出图到了ai视频、ai数字人，同时，ai可以用来制作虚假的视频内容，导致虚假信息传播和误导大众。利用ai视频技术，可以将某人的脸部替换成他人的脸部，从而制作虚假视频。这可能导致隐私泄露和身份盗窃等问题。
2、现有技术检测视频真伪的方法有：基于视觉特征的方法和基于深度学习的方法，但这两种都存在着不可避免的缺陷：基于视觉特征的方法中质量的伪造视频可能不会留下明显的质量痕迹，使得这种方法难以检测到最先进的伪造品。基于深度学习的方法中需要大量的标注数据来训练模型，而这些数据可能不易获得或需要大量人工标注。模型可能会受到过拟合的影响，导致在未见过的数据上表现不佳。且现有技术的检测方法更多停留在视频帧的真假检测上，没有考虑整体视频的连贯性；因此本文提出通过视频倒放的方法，能够通过视频帧前后变化来更好的对视频真伪进行辨别，有效提高对虚假视频的检测。
技术实现思路
1、针对目前的现有技术中存在的问题，本申请提出了一种基于gaae模型的视频真伪检测方法。
2、根据本专利技术的一方面，提出了一种基于gaae模型的视频真伪检测方法，包括：
3、s1、收集真实视频样本和ai生成视频样本作为训练数据集，其中，所述真实视频样本的正向播放视频和反向播放视频作为正样本，所述ai生成视频样本的正向播
4、s2、将所述训练数据集作为gaae模型的输入数据，进一步的进行gaae模型训练，所述模型训练具体如下：
5、s2.1、所述gaae模型通过编码器将所述输入数据映射到潜在空间，从所述潜在空间采样得到隐变量，通过解码器利用所述隐变量对所述输入数据进行重建，获得重建结果，其中，利用重建损失和kl散度进行优化训练；
6、s2.2、利用所述真实视频样本和所述重建结果结合生成器生成伪造数据，利用所述伪造数据训练判别器，所述判别器最大化对所述真实视频样本的预测概率，并最小化对所述伪造数据的预测概率，输出判别器结果，其中，通过判别器损失函数不断进行优化收敛；
7、s2.3、利用所述判别器结果作为反馈，调整所述生成器的参数，以最大化其产生的伪造数据被判别器判断为真实视频样本的概率，其中，通过生成器损失函数不断进行优化收敛；
8、s3、将待检测视频处理为正向播放视频和反向播放视频，并分别输入到已训练好的gaae模型中进行真伪鉴别，若输出的两个结果相似度大于99％，则所述视频为真实视频，否则，所述视频为虚假视频。
9、进一步的，所述编码器将所述输入数据映射到潜在空间的编码器操作步骤具体还包括：所述输入数据经过编码器神经网络的处理，输出一个均值向量和方差向量，这两个向量定义了一个高斯隐变量分布，用于生成隐变量。
10、所述编码器神经网络的处理具体公式表示如下：
11、
12、其中，表示编码器神经网络的前向传播函数，表示编码器的参数，x表示输入数据。
13、所述高斯隐变量分布具体公式表示如下：
14、
15、其中，z表示隐变量，i表示与μ同维度的单位矩阵，μ表示均值向量，σ2表示方差向量，n表示均值为μ、方差为σ2的多元正态分布。
16、进一步的，所述从所述潜在空间采样得到隐变量的具体公式表示如下：
17、z＝μ+σ×ε
18、其中，z表示隐变量，μ表示均值向量，σ表示标准差向量，ε表示从标准正态分布中采样的随机噪声。
19、进一步的，所述重建损失采用均分误差作为度量，所述利用重建损失和kl散度进行优化训练具体公式表示如下：
20、l＝lrec+lkl
21、
22、其中，d表示隐变量的维度，x表示输入数据，xi表示输入数据中第i个维度，表示重建数据，表示重建数据中第i个维度，σ2表示方差向量，μ表示均值向量，lrec表示重建损失函数，lkl表示kl散度函数。
23、在训练过程中，通过最小化elbo目标函数来更新网络参数。常用的优化算法包括随机梯度下降(sgd)和adam等。训练完成后，通过从潜在空间采样得到隐变量，并使用解码器还原出新的数据样本。
24、进一步的，所述生成器生成伪造数据具体包括：所述生成器由卷积层和激活函数组成，将所述重建结果中的数据向量映射到所述真实视频样本下的真实空间中，并生成逼真的样本，从而生成出伪造数据。
25、进一步的，所述判别器由卷积层和激活函数组成，从输入的样本中提取特征并输出一个概率，所述概率表示所述输入的样本是真实样本的概率。
26、进一步的，所述调整所述生成器的参数是通过优化器中的优化算法来进行更新，所述优化算法为随机梯度下降，在模型中对参数进行更新的具体公式如下：
27、
28、其中，θt表示第t次迭代时模型的参数向量，η表示学习率，表示目标函数j在参数θt处关于θ的梯度，j表示目标函数，mj表示第j个训练样本的输入特征，nj表示第j训练样本的目标值。
29、交替循环上述步骤，在不断收敛的过程中交替训练。gaae模型训练是一个动态的过程，其中生成器和判别器不断优化各自的损失函数，从而提高生成数据的质量和判别的准确性。
30、根据本专利技术的第二方面，提出了一种计算机可读存储介质，其上存储有一或多个计算机程序，该一或多个计算机程序被计算机处理器执行时实施上述的方法。
31、本申请实施例中的上述一个或多个技术方案，至少具有如下技术效果之一：
32、1)通过视频的正向推理和反向推理，结合ai生成视频更多考虑的是生成，比对反向视频可能出现的异常情况，通过正反两个角度发现视频真伪，能够更全面分析视频的真假。
33、2)对于原视频而言，无论是正向播放还是反向播放，都是能够连续的状态，但是对于ai合成的视频，都是根据上一帧图片预测下一帧图片，也就是导致了只考虑正向的正常播放，反向的播放会被忽略；导致反向预测图片帧出现异常。
本文档来自技高网...【技术保护点】
1.一种基于GAAE模型的视频真伪检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的视频真伪检测方法，其特征在于，所述编码器将所述输入数据映射到潜在空间的编码器操作步骤具体还包括：所述输入数据经过编码器神经网络的处理，输出一个均值向量和方差向量，这两个向量定义了一个高斯隐变量分布，用于生成隐变量。
3.根据权利要求2所述的视频真伪检测方法，其特征在于，所述编码器神经网络的处理具体公式表示如下：
4.根据权利要求2所述的视频真伪检测方法，其特征在于，所述高斯隐变量分布具体公式表示如下：
5.根据权利要求1所述的视频真伪检测方法，其特征在于，所述从所述潜在空间采样得到隐变量的具体公式表示如下：
6.根据权利要求1所述的视频真伪检测方法，其特征在于，所述重建损失采用均分误差作为度量，所述利用重建损失和KL散度进行优化训练具体公式表示如下：
7.根据权利要求1所述的视频真伪检测方法，其特征在于，所述生成器生成伪造数据具体包括：所述生成器由卷积层和激活函数组成，将所述重建结果中的数据向量映射到所述真实视频样
8.根据权利要求1所述的视频真伪检测方法，其特征在于，所述判别器由卷积层和激活函数组成，从输入的样本中提取特征并输出一个概率，所述概率表示所述输入的样本是真实样本的概率。
9.根据权利要求1所述的视频真伪检测方法，其特征在于：所述调整所述生成器的参数是通过优化器中的优化算法来进行更新，所述优化算法为随机梯度下降，在模型中对参数进行更新的具体公式如下：
10.一种计算机程序产品，其特征在于，其上存储有计算机程序，所述计算机程序在被处理器执行时实施如权利要求1-9中任一项所述的方法。
...【技术特征摘要】
1.一种基于gaae模型的视频真伪检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的视频真伪检测方法，其特征在于，所述编码器将所述输入数据映射到潜在空间的编码器操作步骤具体还包括：所述输入数据经过编码器神经网络的处理，输出一个均值向量和方差向量，这两个向量定义了一个高斯隐变量分布，用于生成隐变量。
3.根据权利要求2所述的视频真伪检测方法，其特征在于，所述编码器神经网络的处理具体公式表示如下：
4.根据权利要求2所述的视频真伪检测方法，其特征在于，所述高斯隐变量分布具体公式表示如下：
5.根据权利要求1所述的视频真伪检测方法，其特征在于，所述从所述潜在空间采样得到隐变量的具体公式表示如下：
6.根据权利要求1所述的视频真伪检测方法，其特征在于，所述重建损失采用均分误差作为度量，所述利用重建损失和kl散度进...
【专利技术属性】
技术研发人员：郑汉军，蔡淑苹，刘富坚，尹声，郭任煌，
申请(专利权)人：厦门安胜网络科技有限公司，
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。