(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210359406.3 (22)申请日 2022.04.07 (71)申请人 北京百度网讯科技有限公司 地址 100085 北京市海淀区上地十街10号 百度大厦2层 (72)发明人 邹棹帆　郭知智　姜珊　刘瑞雪　 岳海潇　 (74)专利代理 机构 北京同立钧成知识产权代理 有限公司 1 1205 专利代理师 董建姣　黄健 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/774(2022.01) G06V 10/74(2022.01) G06V 10/82(2022.01)G06V 10/44(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 合成图像识别方法及 装置、 图像识别模型训 练方法及装置 (57)摘要 本公开提供了一种合成图像识别方法及装 置、 图像识别模型训练方法及装置， 涉及人工智 能技术领域， 具体为深度学习、 图像处理、 计算机 视觉技术领域， 可应用于人脸识别等场景。 具体 实现方案为： 获取训练数据， 其中， 训练数据中包 括训练图像、 训练图像对应的训练标签， 训练标 签用于指示训练图像是否为合 成图像。 根据图像 识别模型中的特征提取层对训练图像进行处理， 得到训练图像的目标特征矩阵。 根据目标特征矩 阵， 确定训练图像的预测标签。 根据预测标签和 训练标签， 对图像识别模型的模型参数进行更 新。 本公开的技术方案可以有效提升图像识别模 型的处理泛化性， 进而提升合 成图像识别的正确 性。 权利要求书5页 说明书16页 附图6页 CN 114820467 A 2022.07.29 CN 114820467 A 1.一种合成图像识别方法， 包括： 获取待识别的第一图像； 根据图像识别模型中的特征提取层对所述第 一图像进行处理， 得到所述第 一图像的目 标特征矩阵， 其中， 所述 目标特征矩阵用于指示所述第一图像中的多个像素点之间的特征 相关度； 根据所述目标特征矩阵， 确定所述第一图像的输出标签， 所述输出标签用于指示所述 第一图像是否为 合成图像。 2.根据权利要求1所述的方法， 其中， 所述根据图像识别模型中的特征提取层对所述第 一图像进行处 理， 得到所述第一图像的目标 特征矩阵， 包括： 针对所述图像识别模型中的第 i个特征提取层， 根据所述第 i个特征提取层的特征提取 单元对所述第一图像进行特征提取处理， 得到所述第一图像在所述第i个特征提取层的第 一特征矩阵； 根据所述第一特征矩阵， 确定所述第一图像在所述第i个特征提取层对应的目标特征 矩阵； 其中， 所述i为大于等于1并且小于等于n的整数， 所述n为所述 图像识别模型中特征提 取层的数量。 3.根据权利要求2所述的方法， 其中， 所述根据所述第i个特征提取层的特征提取单元 对所述第一图像进行特征提取处理， 得到所述第一图像在所述第i个特征提取层的第一特 征矩阵， 包括： 确定所述第一 图像在所述第i个特征提取层对应的输入信息， 其中， 所述i等于1时， 所 述输入信息为所述第一图像， 所述i大于1时， 所述输入信息为第i ‑1个特征提取层中的特征 提取单元输出的初始特 征矩阵； 根据所述第i个特征提取层的特征提取单元对所述输入信息进行特征提取处理， 得到 所述第一图像在所述第i个特征提取层的初始特征矩阵， 其中， 所述初始特征矩阵的维度为 N×C×H/2i×W/2i； 对所述初始特征矩阵进行矩阵变换， 得到所述第一图像在所述第i个特征提取层的第 一特征矩阵， 所述第一特 征矩阵的维度为 N×C×HW/2i+1； 其中， 所述N为所述第一图像的数量， 所述C为所述第一 图像的通道数， 所述H为所述第 一图像的高度， 所述 W为所述第一图像的宽度。 4.根据权利要求2或3所述的方法， 其中， 所述根据 所述第一特征矩阵， 确定所述第一图 像在所述第i个特 征提取层对应的目标 特征矩阵， 包括： 对所述第 一特征矩阵进行通道置换处理， 得到第 二特征矩阵， 其中， 所述第 二特征矩阵 的维度为 N×HW/2i+1×C； 根据所述第 一特征矩阵和所述第 二特征矩阵进行矩阵点乘 处理， 得到所述第 一图像在 所述第i个特征提取层对应的目标特征矩阵， 所述目标特征矩阵的维度为N ×HW/2i+1×HW/ 2i+1。 5.根据权利要求1 ‑4任一项所述的方法， 其中， 所述图像识别网络中还 包括卷积层； 所述根据所述目标 特征矩阵， 确定所述第一图像的输出 标签， 包括： 将所述目标 特征矩阵输入至对应的卷积层中， 得到降维后的中间特 征；权　利　要　求　书 1/5 页 2 CN 114820467 A 2根据所述降维后的中间特 征进行特征连接处理， 得到所述第一图像的输出 标签。 6.根据权利要求5所述的方法， 其中， 所述图像识别网络中还 包括全连接层； 所述根据所述降维后的中间特征进行特征连接处理， 得到所述第一图像的输出标签， 包括： 根据所述全连接层对所述所述降维后的中间特征进行特征连接处理， 得到所述全连接 层输出的所述第一图像的输出 标签。 7.一种图像识别模型训练方法， 包括： 获取训练数据， 其中， 所述训练数据中包括训练图像、 所述训练图像对应的训练标签， 所述训练标签用于指示所述训练图像是否为 合成图像； 根据图像识别模型中的特征提取层对所述训练图像进行处理， 得到所述训练图像的目 标特征矩阵， 其中， 所述 目标特征矩阵用于指示所述训练图像中的多个像素点之间的特征 相关度； 根据所述目标 特征矩阵， 确定所述训练图像的预测标签； 根据所述预测标签和训练标签， 对所述图像识别模型的模型参数进行 更新。 8.根据权利要求7所述的方法， 其中， 所述根据图像识别模型中的特征提取层对所述训 练图像进行处 理， 得到所述训练图像的目标 特征矩阵， 包括： 针对所述图像识别模型中的第 i个特征提取层， 根据所述第 i个特征提取层的特征提取 单元对所述训练图像进行特征提取处理， 得到所述训练图像在所述第i个特征提取层的第 一特征矩阵； 根据所述第一特征矩阵， 确定所述训练图像在所述第i个特征提取层对应的目标特征 矩阵； 其中， 所述i为大于等于1并且小于等于n的整数， 所述n为所述 图像识别模型中特征提 取层的数量。 9.根据权利要求8所述的方法， 其中， 所述根据所述第i个特征提取层的特征提取单元 对所述训练图像进行特征提取处理， 得到所述训练图像在所述第i个特征提取层的第一特 征矩阵， 包括： 确定所述训练图像在所述第i个特征提取层对应的输入信息， 其中， 所述i等于1时， 所 述输入信息为所述训练图像， 所述i大于1时， 所述输入信息为第i ‑1个特征提取层中的特征 提取单元输出的初始特 征矩阵； 根据所述第i个特征提取层的特征提取单元对所述输入信息进行特征提取处理， 得到 所述训练图像在所述第i个特征提取层的初始特征矩阵， 其中， 所述初始特征矩阵的维度为 N×C×H/2i×W/2i； 对所述初始特征矩阵进行矩阵变换， 得到所述训练图像在所述第i个特征提取层的第 一特征矩阵， 所述第一特 征矩阵的维度为 N×C×HW/2i+1； 其中， 所述N为所述训练图像的数量， 所述C为所述训练图像的通道数， 所述H为所述训 练图像的高度， 所述 W为所述训练图像的宽度。 10.根据权利要求8或9所述的方法， 其中， 所述根据所述第一特征矩阵， 确定所述训练 图像在所述第i个特 征提取层对应的目标 特征矩阵， 包括： 对所述第 一特征矩阵进行通道置换处理， 得到第 二特征矩阵， 其中， 所述第 二特征矩阵权　利　要　求　书 2/5 页 3 CN 114820467 A 3