一种活体攻击检测模型的训练方法、装置、设备及介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115512446A(43)申请公布日2022.12.23(21)申请号202211192556.6(22)申请日2022.09.28(71)申请人支付宝（杭州）信息技术有限公司地址310000浙江省杭州市西湖区西溪路556号8层B段801-11(72)发明人武文琦(74)专利代理机构北京晋德允升知识产权代理有限公司11623专利代理师王戈(51)Int.Cl.G06V40/40(2022.01)G06V40/16(2022.01)G06V10/82(2022.01)G06N3/08(2006.01)G06N3/04(2006.01)权利要求书3页说明书13页附图3页(54)发明名称一种活体攻击检测模型的训练方法、装置、设备及介质(57)摘要本说明书实施例公开了一种活体攻击检测模型的训练方法、装置、设备及介质。该方案可以包括：获取活体攻击检测模型中首层残差网络与末层残差网络之间的中间残差网络输出的中间数据特征；将所述中间数据特征作为辅助属性分类器的输入，得到所述辅助属性分类器的第一模型识别损失值；基于所述第一模型识别损失值，调整所述活体攻击检测模型的参数；基于调整后的所述活体攻击检测模型，得到训练后的活体攻击检测模型。CN115512446ACN115512446A权利要求书1/3页1.一种活体攻击检测模型的训练方法，包括：获取活体攻击检测模型中首层残差网络与末层残差网络之间的中间残差网络输出的中间数据特征；将所述中间数据特征作为辅助属性分类器的输入，得到所述辅助属性分类器的第一模型识别损失值；基于所述第一模型识别损失值，调整所述活体攻击检测模型的参数；基于调整后的所述活体攻击检测模型，得到训练后的活体攻击检测模型。2.根据权利要求1所述的方法，所述获取活体攻击检测模型中首层残差网络与末层残差网络之间的中间残差网络输出的中间数据特征，具体包括：获取训练数据；将所述训练数据输入活体攻击检测模型，对所述活体攻击检测模型进行训练；获取所述活体攻击检测模型中首层残差网络与末层残差网络之间的中间残差网络基于输入至所述活体攻击检测模型的训练数据输出的中间数据特征。3.根据权利要求1所述的方法，所述活体攻击检测模型包括活体属性分类器；所述方法还包括：获取所述活体属性分类器基于所述末端残差网络输出的末端数据特征得到的第二模型识别损失值；所述基于所述第一模型识别损失值，调整所述活体攻击检测模型的参数，具体包括：将所述第一模型识别损失值和所述第二模型识别损失值进行融合，得到融合损失值；基于所述融合损失值，调整所述活体攻击检测模型的参数。4.根据权利要求3所述的方法，所述将所述第一模型识别损失值和所述第二模型识别损失值进行融合，具体包括：将所述第一模型识别损失值和所述第二模型识别损失值进行加权求和。5.根据权利要求1所述的方法，所述辅助属性分类器包括人脸属性分类器、背景属性分类器和攻击属性分类器中至少一种；所述人脸属性分类器用于识别性别、年龄、表情、眼镜、发型中至少一种属性；所述背景属性分类器用于识别光照强度、环境、人数中至少一种属性；所述攻击属性分类器用于识别手机攻击、纸张攻击、高清屏幕攻击、头模攻击中至少一种属性。6.根据权利要求5所述的方法，所述辅助属性分类器包括人脸属性分类器；所述将所述中间数据特征作为辅助属性分类器的输入，得到所述辅助属性分类器的第一模型识别损失值，具体包括：将第一中间数据特征作为所述人脸属性分类器的输入，得到所述人脸属性分类器的人脸属性识别损失值；所述第一中间数据特征为所述活体攻击检测模型中首层残差网络与末层残差网络之间的第一中间残差网络输出的数据特征。7.根据权利要求5所述的方法，所述辅助属性分类器包括背景属性分类器；所述将所述中间数据特征作为辅助属性分类器的输入，得到所述辅助属性分类器的第一模型识别损失值，具体包括：将第二中间数据特征作为所述背景属性分类器的输入，得到所述背景属性分类器的背景属性识别损失值；所述第二中间数据特征为所述活体攻击检测模型中首层残差网络与末2CN115512446A权利要求书2/3页层残差网络之间的第二中间残差网络输出的数据特征。8.根据权利要求5所述的方法，所述辅助属性分类器包括攻击属性分类器；所述将所述中间数据特征作为辅助属性分类器的输入，得到所述辅助属性分类器的第一模型识别损失值，具体包括：将第三中间数据特征作为所述攻击属性分类器的输入，得到所述攻击属性分类器的攻击属性识别损失值；所述第三中间数据特征为所述活体攻击检测模型中首层残差网络与末层残差网络之间的第三中间残差网络输出的数据特征。9.根据权利要求1所述的方法，还包括：所述辅助属性分类器包括用于进行人脸属性识别和/或进行背景属性识别的第一辅助属性分类器和用于进行攻击属