申请/专利权人：浙江工业大学

申请日：2020-12-22

公开（公告）日：2024-02-20

公开（公告）号：CN112580521B

主分类号：G06V20/40

分类号：G06V20/40;G06V40/16;G06V10/44;G06V10/764;G06V10/82;G06T7/246;G06T7/269;G06N3/045;G06N3/0442;G06N3/0464;G06N3/084;G06N3/0985

优先权：

专利状态码：有效-授权

法律状态：2024.02.20#授权;2021.04.16#实质审查的生效;2021.03.30#公开

摘要：本发明公开了一种基于MAML元学习算法的多特征真假视频检测方法，包括：1采集预训练数据集以及局部训练数据集；2对预训练数据集和局部训练数据集进行处理；3对数据类别进行one‑hot编码，获取对应的类别标签序列；4构建引入注意力机制的模型M，利用预训练数据集对模型M进行训练，采用MAML元学习算法，得到预训练好的模型Mt；5将局部训练数据集分别作为模型Mt的输入，得到训练好的模型M1、模型M2和模型M3；6从预训练数据集的视频数据中获取光流图，输入到模型Mt中，得到训练好的模型M4；7将训练好的模型M1、模型M2、模型M3和模型M4进行测试和应用。本发明可以对脸部的局部特征进行训练，不需要大量的训练数据集。

主权项：1.一种基于MAML元学习算法的多特征真假视频检测方法，其特征在于，包括以下步骤：1采集训练数据集，包括用于脸部训练的预训练数据集，以及用于局部关键点训练用的局部训练数据集；2对预训练数据集和局部训练数据集进行视频帧提取，提取图片中的人脸并对齐；对局部训练数据集中的人脸图片进行处理，分别提取眼、鼻和嘴部的图片并保存，将保存好的眼、鼻和嘴部图片分别划分为训练集和测试集；3对预训练数据集、训练集和测试集中的数据类别进行one-hot编码，获取对应的类别标签序列；4构建引入注意力机制的模型M，利用预训练数据集作为模型M的输入，对脸部的整体特征进行预训练，采用MAML元学习算法，得到预训练好的模型Mt的初始化参数；利用预训练数据集作为模型M的输入，对脸部的整体特征进行预训练的具体过程如下：4-1将预训练数据集根据不同的虚假视频生成算法分成脸部训练集A、脸部训练集B、脸部训练集C和脸部训练集D；4-2采用随机初始化将模型的参数初始化为φ0，然后开始对模型M进行训练，使用脸部训练集A，定为任务A，训练批次大小为40，在第一个训练阶段采用预热学习率策略，选择Adam作为优化器，初始学习率为1e-3，每1000个训练步衰减0.95倍；基于模型的参数初始化φ0计算模型M在任务A上的损失函数，然后采用梯度下降法优化φ0，得到任务A独有的模型参数φA，再基于模型参数φA计算任务A新的损失函数，接着求出损失函数在φA上的梯度ΔA，并用这个梯度ΔA去优化φ0，得到新的模型参数φ1，φ1的计算公式如下所示：φ1＝αA·ΔA+φ0其中，αA为这一过程的学习率，这里设为1e-3；4-3对于任务B，采用和任务A一样的训练方法，以模型参数φ1作为初始参数计算模型M在任务B上的损失函数，最后得到一个新的模型参数φ2；4-4对于任务C和任务D，依次采用上述同样的训练方法，最终得到模型的初始参数φ；5将眼、鼻和嘴部的训练集分别作为模型Mt的输入，对脸部的局部特征进行训练，得到训练好的模型M1、模型M2和模型M3；6用霍恩·山克算法从预训练数据集的视频数据中获取光流，然后用孟塞尔颜色系统进行可视化后得到光流图，将得到的光流图输入到预训练好的模型Mt中，得到训练好的模型M4；7将训练好的模型M1、模型M2、模型M3和模型M4进行测试和应用。

全文数据：

权利要求：

百度查询： 浙江工业大学 一种基于MAML元学习算法的多特征真假视频检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD