用于使用机器学习过程进行欺骗检测的装置和方法与流程

本公开整体涉及欺骗检测，并且更具体地，涉及使用机器学习过程来检测所捕获图像内的欺骗。

背景技术：

1、图像捕获设备(诸如手机、平板计算机和智能设备)可以捕获图像并检测那些图像内的对象以用于多种应用。例如，图像捕获设备可以包括面部检测技术，该面部检测技术允许图像捕获设备标识相机镜头的视场中的面部。此外，面部识别技术可以将所标识的面部验证和认证为特定的人。例如，在将所标识的面部验证为特定用户时，具有面部识别技术的系统可以向该用户授予访问权。例如，该用户可以获得对设备、在线账户、门户、安全库或任何另一安全硬件或软件的访问。然而，在一些情况下，不良行为者可能发起面部欺骗攻击以试图欺骗这些面部识别过程。示例欺骗方法包括例如使用打印的照片、面部剪切、数字图像和视频以及3d打印的面具等。这些面部欺骗附接尤其存在安全问题。

技术实现思路

1、根据一个方面，一种方法包括获得图像数据。该方法还包括将受过训练的机器学习过程应用于该图像数据以生成包括强度值的输出映射。此外，该方法包括基于该强度值来确定该图像数据是否描绘非真实对象。该方法还包括基于该确定来生成表征该图像数据是否描绘该非真实对象的输出数据。

2、根据另一方面，一种装置包括存储指令的非暂态机器可读存储介质，以及耦合到该非暂态机器可读存储介质的至少一个处理器。该至少一个处理器被配置为获得图像数据。该至少一个处理器还被配置为将受过训练的机器学习过程应用于该图像数据以生成包括强度值的输出映射。此外，该至少一个处理器被配置为基于该强度值来确定该图像数据是否描绘非真实对象。该至少一个处理器还被配置为基于该确定来生成表征该图像数据是否描绘该非真实对象的输出数据。

3、根据另一方面，一种非暂态机器可读存储介质存储指令，该指令在由至少一个处理器执行时使得该至少一个处理器执行操作，该操作包括获得图像数据。该操作还包括将受过训练的机器学习过程应用于该图像数据以生成包括强度值的输出映射。此外，该操作包括基于该强度值来确定该图像数据是否描绘非真实对象。该操作还包括基于该确定来生成表征该图像数据是否描绘该非真实对象的输出数据。

4、根据另一方面，一种图像捕获设备包括：用于获得图像数据的构件；用于将受过训练的机器学习过程应用于该图像数据以生成包括强度值的输出映射的构件；用于基于该强度值来确定该图像数据是否描绘非真实对象的构件；以及用于基于该确定来生成表征该图像数据是否描绘非真实对象的输出数据的构件。

技术特征：

1.一种装置，包括：

2.根据权利要求1所述的装置，其中所述受过训练的机器学习过程包括建立卷积神经网络。

3.根据权利要求2所述的装置，其中所述卷积神经网络包括多个下采样层、多个上采样层，以及在所述多个下采样层中的每一个下采样层和所述多个上采样层中的每一个上采样层之后的联合空间和信道注意力层。

4.根据权利要求3所述的装置，其中所述多个上采样层中的每一个上采样层被配置为接收来自所述多个下采样层中的对应一个下采样层的输出以及来自所述联合空间和信道注意力层中的前一个联合空间和信道注意力层的输出。

5.根据权利要求1所述的装置，其中所述至少一个处理器被配置为：

6.根据权利要求5所述的装置，其中所述至少一个处理器被进一步配置为向预授权用户的设备传输消息，其中所述消息表征所述被拒绝的访问。

7.根据权利要求1所述的装置，其中基于所述强度值来确定所述图像数据是否描绘所述非真实对象包括：

8.根据权利要求1所述的装置，包括相机，所述相机被配置为捕获所述图像数据。

9.根据权利要求10所述的装置，包括显示器，所述显示器被配置为显示所述图像数据。

10.一种方法，包括：

11.根据权利要求10所述的方法，其中所述受过训练的机器学习过程包括建立卷积神经网络。

12.根据权利要求11所述的方法，其中所述卷积神经网络包括多个下采样层、多个上采样层，以及在所述多个下采样层中的每一个下采样层和所述多个上采样层中的每一个上采样层之后的联合空间和信道注意力层。

13.根据权利要求12所述的方法，其中所述多个上采样层中的每一个上采样层被配置为接收来自所述多个下采样层中的对应一个下采样层的输出以及来自所述联合空间和信道注意力层中的前一个联合空间和信道注意力层的输出。

14.根据权利要求10所述的方法，还包括：

15.根据权利要求14所述的方法，还包括向预授权用户的设备传输消息，其中所述消息表征所述被拒绝的访问。

16.根据权利要求10所述的方法，其中基于所述强度值来确定所述图像数据是否描绘所述非真实对象包括：

17.一种存储指令的非暂态机器可读存储介质，所述指令在由至少一个处理器执行时使得所述至少一个处理器执行操作，所述操作包括：

18.根据权利要求17所述的非暂态机器可读存储介质，其中所述受过训练的机器学习过程包括建立卷积神经网络。

19.根据权利要求18所述的非暂态机器可读存储介质，其中所述卷积神经网络包括多个下采样层、多个上采样层，以及在所述多个下采样层中的每一个下采样层和所述多个上采样层中的每一个上采样层之后的联合空间和信道注意力层。

20.根据权利要求19所述的非暂态机器可读存储介质，其中所述多个上采样层中的每一个上采样层被配置为接收来自所述多个下采样层中的对应一个下采样层的输出以及来自所述联合空间和信道注意力层中的前一个联合空间和信道注意力层的输出。

技术总结本公开提供了自动确定图像是否被欺骗的方法、系统和装置。例如，一种计算设备能够获得图像，并且能够执行受过训练的卷积神经网络以摄取该图像的元素。此外，并且基于该图像的所摄取元素，所执行的受过训练的卷积神经网络生成包括多个强度值的输出映射。在一些示例中，该受过训练的卷积神经网络包括多个下采样层、多个上采样层以及多个联合空间和信道注意力层。此外，该计算设备能够基于该多个强度值来确定该图像是否被欺骗。该计算设备还能够基于对该图像是否被欺骗的该确定来生成输出数据，并且能够将该输出数据存储在数据储存库内。技术研发人员：C-T·黄,L·王,N·毕受保护的技术使用者：高通股份有限公司技术研发日：技术公布日：2024/7/29