【技术实现步骤摘要】
本申请涉及人工智能，尤其涉及一种图像合规检测方法、装置及相关设备。
技术介绍
1、目前，图像伪造检测在金融等许多领域都扮演着重要的角色，用于确保信息的真实性和系统的安全性。例如信贷业务，需要拍摄人像照片，一些已被列入异常名单的用户通过对自己的照片植入特殊的信息，例如一些特殊连续型的像素或者一些噪声，使得照片绕过现有的合规性检测，从而得以进行金融活动。
2、相关技术中，传统的图像合规检测方法主要依赖于分析图像的低级特征，如边缘、纹理和颜色等。然而，这些方法容易受到噪声、遮挡和变形等因素的影响，导致检测精度下降。因此，如何提高对业务图像进行伪造检测的准确性，成为了亟待解决的技术问题。
技术实现思路
1、本申请实施例的主要目的在于提出一种图像合规检测方法、装置及相关设备，旨在能够提高对业务图像进行伪造检测的准确性。
2、为实现上述目的，本申请实施例的第一方面提出了一种图像合规检测方法，所述方法包括：
3、获取业务图像以及预先进行对抗训练的伪造痕迹检测模型；其中，所述业务图像用于反映目标人像信息；
4、通过所述伪造痕迹检测模型对所述业务图像进行伪造痕迹检测，得到所述业务图像对应的伪造痕迹检测数据；
5、将所述目标人像信息在预设的对象校验数据库中进行检索，得到目标检索数据；
6、根据伪造痕迹检测数据以及所述目标检索数据，对所述业务图像进行合规检测，得到图像合规检测信息。
7、在一些实施例，在所述获取业务图像以
8、获取原始神经网络模型和训练样本数据；其中，所述训练样本数据包括训练样本图像以及每一所述训练样本图像对应的训练样本标签；
9、基于每一所述训练样本图像生成对应的对抗样本图像；
10、对于所述原始神经网络模型中的每一模型参数，生成对应的初始掩码；
11、基于所述初始掩码以及对应的所述模型参数，对所述原始神经网络模型进行参数化；
12、针对每一所述训练样本图像，基于对应的所述对抗样本图像、对应的所述训练样本标签以及参数化后的所述原始神经网络模型，计算每一所述对抗样本图像对应的对抗损失函数；
13、通过各所述对抗损失函数优化处理对应的所述初始掩码，得到每一所述模型参数对应的目标掩码；
14、基于目标掩码对对应的所述模型参数进行掩码处理，得到目标掩码参数；
15、对于每一所述模型参数，基于对应的所述目标掩码参数以及对应的所述对抗损失函数计算对抗性显著值；
16、根据所述对抗性显著值以及预设的对抗性显著阈值，对所述模型参数进行修剪，得到修剪后的所述原始神经网络模型；
17、基于所述训练样本数据以及所述对抗样本图像，对修剪后的所述原始神经网络模型进行对抗训练，得到所述伪造痕迹检测模型。
18、在一些实施例，所述基于每一所述训练样本图像生成对应的对抗样本图像，包括：
19、针对每一所述训练样本图像，通过所述原始神经网络模型计算对应的损失梯度；
20、根据所述损失梯度以及预设的扰动步长，生成对应于每一所述训练样本图像的对抗扰动信息；
21、基于所述对抗扰动信息对所述训练样本图像进行扰动施加处理，得到中间样本图像；
22、基于所述训练样本图像的像素值以及预设的像素值范围，对所述中间样本图像进行像素值归一化处理，得到所述对抗样本图像。
23、在一些实施例，所述对于每一所述模型参数，基于对应的所述目标掩码参数以及对应的所述对抗损失函数计算对抗性显著值，包括：
24、计算每一所述模型参数与对应的目标掩码参数之间的参数差值；
25、计算所述对抗损失函数的二阶偏导矩阵；
26、基于所述参数差值以及所述二阶偏导矩阵计算每一模型参数对应的所述对抗性显著值。
27、在一些实施例，所述根据所述对抗性显著值以及预设的对抗性显著阈值，对所述模型参数进行修剪，得到修剪后的所述原始神经网络模型，包括：
28、根据每一模型参数对应的对抗显著值以及所述预设的对抗性显著阈值，确定目标修剪参数；
29、根据预设的修剪比例对所述目标修剪参数进行修剪，得到修剪后的所述原始神经网络模型。
30、在一些实施例，所述基于所述训练样本数据以及所述对抗样本图像，对修剪后的所述原始神经网络模型进行对抗训练，得到所述伪造痕迹检测模型，包括：
31、基于所述训练样本数据对修剪后的所述原始神经网络模型进行初步训练；
32、响应于初步训练的所述原始神经网络模型满足预设的初步训练条件，基于所述训练样本数据以及所述对抗样本图像对初步训练后的所述原始神经网络模型进行对抗训练；
33、响应于对抗训练的所述原始神经网络模型满足预设的对抗训练条件，得到所述伪造痕迹检测模型。
34、在一些实施例，所述根据伪造痕迹检测数据以及所述目标检索数据，对所述业务图像进行合规检测，得到图像合规检测信息，包括：
35、响应于所述伪造痕迹检测数据指示所述业务图像不存在伪造痕迹，并且所述目标检索数据指示所述目标人像信息在所述对象校验数据库中不存在违规记录，指示所述图像合规检测信息为合规图像。
36、为实现上述目的，本申请实施例的第二方面提出了一种图像合规检测装置，所述装置包括：
37、获取模块，用于获取业务图像以及预先进行对抗训练的伪造痕迹检测模型；其中，所述业务图像用于反映目标人像信息；
38、伪造检测模块，用于通过所述伪造痕迹检测模型对所述业务图像进行伪造痕迹检测，得到所述业务图像对应的伪造痕迹检测数据；
39、检索模块，用于将所述目标人像信息在预设的对象校验数据库中进行检索，得到目标检索数据；
40、合规检测模块，用于根据伪造痕迹检测数据以及所述目标检索数据，对所述业务图像进行合规检测，得到图像合规检测信息。
41、为实现上述目的，本申请实施例的第三方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。
42、为实现上述目的，本申请实施例的第四方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法。
43、本申请提出的图像合规检测方法和装置、电子设备及存储介质，其通过获取业务图像以及预先进行对抗训练的伪造痕迹检测模型；其中，业务图像用于反映目标人像信息；通过伪造痕迹检测模型对业务图像进行伪造痕迹检测，得到业务图像对应的伪造痕迹检测数据；将目标人像信息在预设的对象校验数据库中进行检索，得到目标检索数据；根据伪造痕迹检测数据以及目标检索数据，对业务图像进本文档来自技高网...
【技术保护点】
1.一种图像合规检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，在所述获取业务图像以及预先进行对抗训练的伪造痕迹检测模型之前，还包括对所述伪造痕迹检测模型预先进行对抗训练，具体包括：
3.根据权利要求2所述的方法，其特征在于，所述基于每一所述训练样本图像生成对应的对抗样本图像，包括：
4.根据权利要求2所述的方法，其特征在于，所述对于每一所述模型参数，基于对应的所述目标掩码参数以及对应的所述对抗损失函数计算对抗性显著值，包括：
5.根据权利要求2所述的方法，其特征在于，所述根据所述对抗性显著值以及预设的对抗性显著阈值，对所述模型参数进行修剪，得到修剪后的所述原始神经网络模型，包括：
6.根据权利要求2所述的方法，其特征在于，所述基于所述训练样本数据以及所述对抗样本图像，对修剪后的所述原始神经网络模型进行对抗训练，得到所述伪造痕迹检测模型，包括：
7.根据权利要求1所述的方法，其特征在于，所述根据伪造痕迹检测数据以及所述目标检索数据，对所述业务图像进行合规检测，得到图像合规检测信
8.一种图像合规检测装置，其特征在于，所述装置包括：
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的图像合规检测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的图像合规检测方法。
...【技术特征摘要】
1.一种图像合规检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，在所述获取业务图像以及预先进行对抗训练的伪造痕迹检测模型之前，还包括对所述伪造痕迹检测模型预先进行对抗训练，具体包括：
3.根据权利要求2所述的方法，其特征在于，所述基于每一所述训练样本图像生成对应的对抗样本图像，包括：
4.根据权利要求2所述的方法，其特征在于，所述对于每一所述模型参数，基于对应的所述目标掩码参数以及对应的所述对抗损失函数计算对抗性显著值，包括：
5.根据权利要求2所述的方法，其特征在于，所述根据所述对抗性显著值以及预设的对抗性显著阈值，对所述模型参数进行修剪，得到修剪后的所述原始神经网络模型，包括：
6.根据权利要求2所述的方法，其...
【专利技术属性】
技术研发人员：舒畅，陈又新，
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。