CN115205985B 一种因果干预的人脸防伪泛化方法、设备及介质 （上海交通大学）

US2019318156A1,2019练神经网络对输入人脸图像的真假进行二分类2S3，训练神经网络对输入人脸图像的真假进行二所述构建面向人脸防伪任务的结构因果模型，基于该结构因果模型，建所述面向人脸防伪任务的结构因果模型为有向无环的因果图模型，图所述面向人脸防伪任务的结构因果模型共包含三个节点，分别对应所述面向人脸防伪任务的结构因果模型共包含节点之间连接的三条边，输入人脸图像X→真伪标签Y：人脸图像到真伪标签域特征的干扰因子D→真伪标签Y：域特征的干扰因子到真伪标签的因域特征的干扰因子D→输入人脸图像X：域特征的干扰因子到输入人脸图像的因果关所述训练神经网络对输入人脸图像的真假进行二分类判别，并采用后使用基于do算子的后门调整模型进行因果干预，切断结构因果模在后门调整模型中，不同数据集或数据域有相同数量的图片，所根据已有的数据集或数据域的个数N，构建对应维度的狄利克雷分布λ~Dirichlet3从狄利克雷分布中采样若干个随机数，作为数据集或数据域混合的权重基于原有的数据集或数据域和狄利克雷数据增强新生成的数据集使用对比损失函数约束人脸图像特征，将不同域中相同类别使用基于注意力机制的正样本选取策略，选取跟锚点的特征内积较小的K个正样本作4.一种人脸防伪装置，包括存储器、处理器及存储在存行时实现权利要求1至3任一项所述的因果干预的人6.一种计算机程序产品，其特征在于，所述计非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行如权利要求1_3任4[0001]本发明涉及计算机视觉技术领域，具体涉及一种因果干法和元学习方法被引入到人脸防伪中来提高泛化能力。域泛化方法构造了一个复杂的最分布相关的域特征为影响人脸防伪泛化的干扰因子，其中域表示服从一定分布的数据集，5[0012]根据已有的数据集(域)的个数N，构建对应维度的狄利克雷分布λ~Dirichlet器得到的输出，即P(YIX,D=d)=P(YIX田U(D=d)),其中表示向量的拼接。[0021]使用基于注意力机制的正样本选取策略，选取跟锚点的特征内积较小的K个正样6[0031](2)本发明上述的因果干预的人脸防伪泛化方法，通过狄利克雷数据增强扩充数[0032](3)本发明上述的因果干预的人脸防伪泛化方法，使用后门调整模型进行因果干[0033]通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、[0039]参照图1所示，在本发明一实施例中，因果干预的人脸防伪泛化方法包括以下步7分布相关的域特征为影响人脸防伪泛化的干扰因子，其中域表示服从一定分布的数据集，D；基于人脸防伪的结构因果模型共包含节点之间连接的三条边，三条边对应三个因果关[0044]具体的，在一优选实施例集为DSY,=fxi,y,di沿1,构建对应维度的狄利克雷分布λ~Dirichlet(α)，λ=[λ1,λ2,…,[0047]基于扩充后的数据集训练一个卷积神经网络y=POT用于对数据的域分类，训练的分类损失函数Laom是：k8概率公式为P(Y|do(X))=∑dP基于输入图像和域特征干扰因子的条件概率P(Y|X,D＝d)建模为将输入图像的特征向量X和域特征向量μ(D＝d)相连接，即P(YIX,D=d)=P(YIXBU(D=d))。因此，整体的后门[0057]具体使用神经网络来建模上述后门调整的概率公式，包括特征提取器g和线性分类损失函数为其中Ea(是交叉熵损失函数。模型用于人脸防伪的识别。9[0076]如图3所示的人脸防伪识别结果的可视化类激活图，本发明实施例关注于面部区在较短时间内自动设计调整得到基于神经网络的图像分类方法，