图像检测模型训练及图像检测方法、装置以及存储介质与流程

1.本说明书实施例涉及计算机图像处理技术领域，尤其涉及一种图像检测模型训练及图像检测方法、装置以及存储介质。


背景技术：

2.在一些线上服务场景中，通常用户需要按要求提供对应的文档材料，例如证明材料、印章材料、身份证件图片等，用户以图像的形式将目标材料上传至平台，经过平台审核确认合格后，即可办理相关事务。但由于一些用户会上传篡改过的虚假材料来误导平台的审核，以实现不当得利，因此需要对上传图像进行篡改检测，避免虚假图像对服务平台和其他用户造成的负面影响。


技术实现要素：

3.本说明书实施例提供一种图像检测模型训练及图像检测方法、装置以及存储介质，可以解决相关技术中图像篡改检测结果不准确的技术问题。
4.第一方面，本说明书实施例提供一种图像检测模型训练方法，该方法包括：
5.将样本图像输入图像检测模型，通过所述图像检测模型中的色彩卷积通道、离散余弦变换卷积通道、内容理解卷积通道分别卷积所述样本图像，得到各卷积通道输出的所述样本图像对应的样本卷积子图；
6.叠加各样本卷积子图，得到所述样本图像对应的预测篡改标记图像；
7.根据所述样本图像的标准篡改标记图像以及所述预测篡改标记图像计算所述图像检测模型的预测损失，基于所述预测损失训练所述图像检测模型直至所述图像检测模型收敛。
8.第二方面，本说明书实施例提供一种图像检测方法，该方法包括：
9.获取待检测图像，将所述待检测图像输入图像检测模型，通过所述图像检测模型中的色彩卷积通道、离散余弦变换卷积通道、内容理解卷积通道分别卷积所述待检测图像，得到各卷积通道输出的所述待检测图像对应的目标卷积子图；
10.叠加各目标卷积子图，得到所述目标图像对应的预测篡改标记图像，以及根据所述预测篡改标记图像确定所述待检测图像的篡改检测结果；
11.其中，所述图像检测模型为上述任一项说明书实施例中的图像检测模型训练方法训练并收敛的图像检测模型。
12.第三方面，本说明书实施例提供一种图像检测模型训练装置，该装置包括：
13.卷积模块，用于将样本图像输入图像检测模型，通过所述图像检测模型中的色彩卷积通道、离散余弦变换卷积通道、内容理解卷积通道分别卷积所述样本图像，得到各卷积通道输出的所述样本图像对应的样本卷积子图；
14.融合模块，用于叠加各样本卷积子图，得到所述样本图像对应的预测篡改标记图像；
15.训练模块，用于根据所述样本图像的标准篡改标记图像以及所述预测篡改标记图像计算所述图像检测模型的预测损失，基于所述预测损失训练所述图像检测模型直至所述图像检测模型收敛。
16.第四方面，本说明书实施例提供一种图像检测装置，该装置包括：
17.输入模块，用于获取待检测图像，将所述待检测图像输入图像检测模型，通过所述图像检测模型中的色彩卷积通道、离散余弦变换卷积通道、内容理解卷积通道分别卷积所述待检测图像，得到各卷积通道输出的所述待检测图像对应的目标卷积子图；
18.输出模块，用于叠加各目标卷积子图，得到所述目标图像对应的预测篡改标记图像，以及根据所述预测篡改标记图像确定所述待检测图像的篡改检测结果；
19.其中，所述图像检测模型为上述任一项说明书实施例中的图像检测模型训练方法训练并收敛的图像检测模型。
20.第五方面，本说明书实施例提供一种包含指令的计算机程序产品，当所述计算机程序产品在计算机或处理器上运行时，使得所述计算机或所述处理器执行上述的方法的步骤。
21.第六方面，本说明书实施例提供一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行上述的方法的步骤。
22.第七方面，本说明书实施例提供一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序适于由处理器加载并执行上述的方法的步骤。
23.本说明书一些实施例提供的技术方案带来的有益效果至少包括：
24.本说明书实施例提供一种图像检测模型训练方法，将样本图像输入图像检测模型，通过图像检测模型中的色彩卷积通道、离散余弦变换卷积通道、内容理解卷积通道分别卷积样本图像，得到各卷积通道输出的样本图像对应的样本卷积子图；叠加各样本卷积子图，得到样本图像对应的预测篡改标记图像；根据样本图像的标准篡改标记图像以及预测篡改标记图像计算图像检测模型的预测损失，基于预测损失训练图像检测模型直至图像检测模型收敛。由于图像的内容理解通道能够关注图像的内容表现，卷积过程中获取图像内容表现中的篡改线索，因此当图像检测模型分别通过色彩、离散余弦变换、内容理解三个通道卷积图像时可以同时关注图像的像素、噪声以及内容表现，通过多种图像特征进行更全面的图像篡改检测，提升图像检测模型的检测准确性，也使得图像检测模型适用于多样化应用场景。
附图说明
25.为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
26.图1为本说明书实施例提供的一种图像检测模型训练方法的示例性系统架构图；
27.图2为本说明书实施例提供的一种图像检测模型训练方法的流程示意图；
28.图3为本说明书实施例提供的一种图像检测模型训练方法的流程示意图；
29.图4为本说明书实施例提供的一种图像检测模型的多卷积通道示意图；
30.图5为本说明书实施例提供的一种图像检测模型训练方法的流程示意图；
31.图6为本说明书实施例提供的一种图像检测方法的流程示意图；
32.图7为本说明书实施例提供的一种图像检测模型训练装置的结构框图；
33.图8为本说明书实施例提供的一种图像检测装置的结构框图；
34.图9为本说明书实施例提供的一种终端的结构示意图。
具体实施方式
35.为使得本说明书实施例的特征和优点能够更加的明显和易懂，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而非全部实施例。基于本说明书中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书实施例保护的范围。
36.下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书实施例相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本说明书实施例的一些方面相一致的装置和方法的例子。
37.随着计算机和互联网的飞速发展，数字图像的存储和传递变得非常简单。数字图像几乎遍布互联网和现实世界的每个角落，多媒体已经成为信息承载与共享的重要途径。相对于以文字作为载体，通过图像传递信息更为直观，也更为可信。最初大家普遍认为图像是即时拍摄、生成的，不存在二次作假内容，很多需要用户提供材料的线上服务也基于对图像信息的信任，而支持用户通过上传资料图像来代替纸质文件或文字说明作为证明材料。
38.但随着数字媒体技术的不断发展，这种可信度在不断被破坏，多媒体信息爆炸的时代几乎人人都有能力制作、传递大量的数字图像，与此同时，多款图像编辑软件操作简单，导致了图像修改变得越来越容易，普通人也能很轻易地对图像进行加工和修改，并且随着技术的发展，伪造图像也变得越来越不易察觉，甚至能够以假乱真。日常生活中人们对图像进行修改，往往是出于美化、娱乐的目的，这并不会带来不良影响，但是在有些情况下，被恶意篡改的图像经过传播，就会影响人们对客观事物的判断，严重时甚至会对社会造成不良影响。对一些需要根据真实情况资料来提供相应服务的线上事务办理场景，则更需要注重用户上传图像的真实性，因此通常会对图像进行图像篡改检测，以识别图像是否是真实的，避免将虚假图像确认为真实图像从而导致对服务平台和其他用户造成的负面影响。
39.在图像篡改过程中，由于图像原始部分和篡改部分的成像设、像素参数、分辨率等大概率无法完全一样，会在图像特征表现上留下痕迹，因此目前一些图像检测模型主要是关注图像本身的特征表现例如像素、压缩痕迹等，以获取篡改线索，进而检测出图像是否经过篡改。然而，当图像的原始部分噪声和篡改部分噪声在前景均一的情况下，也即篡改部分与原图表现为相近的内在特征时，即使图像的内容结构(例如线条、图案)有明显的的篡改痕迹，仅基于图像本身参数也无法准确检出，使得图像检测模型的检测准确度降低。
40.因此本说明书实施例提供一种图像检测模型训练方法，将样本图像输入图像检测模型，通过图像检测模型中的色彩卷积通道、离散余弦变换卷积通道、内容理解卷积通道分
别卷积样本图像，得到各卷积通道输出的样本图像对应的样本卷积子图；叠加各样本卷积子图，得到样本图像对应的预测篡改标记图像；根据样本图像的标准篡改标记图像以及预测篡改标记图像计算图像检测模型的预测损失，基于预测损失训练图像检测模型直至图像检测模型收敛，以解决上述图像篡改检测结果不准确的技术问题。
41.请参阅图1，图1为本说明书实施例提供的一种图像检测模型训练方法的示例性系统架构图。
42.如图1所示，系统架构可以包括终端101、网络102和服务器103。网络102用于在终端101和服务器103之间提供通信链路的介质。网络102可以包括各种类型的有线通信链路或无线通信链路，例如：有线通信链路包括光纤、双绞线或同轴电缆的，无线通信链路包括蓝牙通信链路、无线保真(wireless-fidelity，wi-fi)通信链路或微波通信链路等。
43.终端101可以通过网络102与服务器103交互，以接收来自服务器103的消息或向服务器103发送消息，或者终端101可以通过网络102与服务器103交互，进而接收其他用户向服务器103发送的消息或者数据。终端101可以是硬件，也可以是软件。当终端101为硬件时，可以是各种电子设备，包括但不限于智能手表、智能手机、平板电脑、膝上型便携式计算机和台式计算机等。当终端101为软件时，可以是安装在上述所列举的电子设备中，其可以实现呈多个软件或软件模块(例如：用来提供分布式服务)，也可以实现成单个软件或软件模块，在此不作具体限定。
44.在本说明书实施例中，首先终端101将样本图像输入图像检测模型，通过图像检测模型中的色彩卷积通道、离散余弦变换卷积通道、内容理解卷积通道分别卷积样本图像，得到各卷积通道输出的样本图像对应的样本卷积子图；进一步，终端101叠加各样本卷积子图，得到样本图像对应的预测篡改标记图像；最终，终端101根据样本图像的标准篡改标记图像以及预测篡改标记图像计算图像检测模型的预测损失，基于预测损失训练图像检测模型直至图像检测模型收敛。
45.服务器103可以是提供各种服务的业务服务器。需要说明的是，服务器103可以是硬件，也可以是软件。当服务器103为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器103为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块，在此不做具体限定。
46.或者，该系统架构还可以不包括服务器103，换言之，服务器103可以为本说明书实施例中可选的设备，即本说明书实施例提供的方法可以应用于仅包括终端101的系统结构中，本说明书实施例对此不做限定。
47.应理解，图1中的终端、网络以及服务器的数目仅是示意性的，根据实现需要，可以是任意数量的终端、网络以及服务器。
48.请参阅图2，图2为本说明书实施例提供的一种图像检测模型训练方法的流程示意图。本说明书实施例的执行主体可以是执行图像检测模型训练的终端，也可以是执行图像检测模型训练方法的终端中的处理器，还可以是执行图像检测模型训练方法的终端中的图像检测模型训练服务。为方便描述，下面以执行主体是终端中的处理器为例，介绍图像检测模型训练方法的具体执行过程。
49.如图2所示，图像检测模型训练方法至少可以包括：
50.s202、将样本图像输入图像检测模型，通过图像检测模型中的色彩卷积通道、离散
余弦变换卷积通道、内容理解卷积通道分别卷积样本图像，得到各卷积通道输出的样本图像对应的样本卷积子图。
51.可选地，依托于互联网，各平台可以通过向用户提供线上服务，便捷、高效地满足用户需求，其中一些需要对用户进行资料审核的服务，支持用户通过图像形式上传材料以证明自身具有获取相应资格，例如，在金融服务场景中，有时需要用户以图像的形式提交一些文档材料，比如在贷后协商还款的场景要求客户提交贫困证明、医疗证明等，而某些情况下，用户可能通过常见修图手段篡改真实图像来构造假的文档材料，以满足不当得利目的。
52.可选地，各类图像被篡改特别是文档图像出现篡改时，通常是对图像内容，例如文字、印章等内容进行篡改，因此在图像篡改检测时，更关注图像内容能够帮助图像检测模型更多的获取图像内容的篡改表现，提升图像检测模型拦截虚假内容图像的准确性。基于此，可以通过多个卷积通道，同时针对图像的内容特征、噪声特征进行卷积，同时关注图像本身和图像外在表现，来提升模型对图像的检测能力。
53.具体地，图像篡改方式大致可以分为两类：拼接、复制-粘贴、删除三种操作是对图像内容进行修改，这类修改方式给人的误导性较大，也是最为常见的三种篡改方式；其余的修改方式如模糊、压缩、增强、放缩、滤波等操作没有对图像的内容进行修改，绝大多数是为了掩盖图像的篡改痕迹进行的后处理操作。因此需要检测的图像特征通常可以采取色彩像素特征、离散余弦变换特征、内容理解特征这三方面，其中，色彩像素特征表现出图像的视觉线索，视觉线索即像素之间的关系；另外，离散余弦变换特征为图像的压缩特征，离散余弦变换(discrete cosine transform，dct)属于傅里叶变换的一种,常用于对信号和图像(包括图片和视频)进行有损数据压缩，经过压缩的图像在图像直方图的dct变换系数中会呈现出一种周期性的规律，而篡改图像时也会破坏一些图像的内在特性。
54.除此之外，若仅将视觉线索和压缩线索作为网络检测标准，对复制粘贴到纯色背景的情况是大概率检测不出来的，这类篡改方式在表格篡改和文档篡改中还是很常见的，因此图像检测模型还需要根据图像的内容特征进行检测，以关注图像中文字、印章之类的内容结构变化。也即在训练模型时可以将样本图像输入图像检测模型，通过图像检测模型中的色彩卷积通道(rgb流)、离散余弦变换卷积通道(dct流)、内容理解卷积通道分别卷积样本图像，得到各卷积通道输出的样本图像对应的样本卷积子图。
55.进一步地，图像检测模型可以使用hrnet作为网络主干，因为其在整个过程中保持高分辨率表示，这有助于捕获整体结构，而不会丢失精细证据。在卷积时使用池化层对需要详细线索信号的任务是不可取的，因为池化增强了内容并抑制了类噪声信号，而hrnet能够使用stride-2卷积对特征图进行下采样，而不使用池化层，以获取图像的细微特征线索，为图像的篡改检测提供基础。
56.s204、叠加各样本卷积子图，得到样本图像对应的预测篡改标记图像。
57.可选地，各样本卷积子图中包含模型从各不同特征检测到被标记的篡改像素点，代表了图像检测模型在分别对样本图像的多种特征进行对应卷积后，确认出的样本图像的各不同特征对应的篡改检测结果，那么图像检测模型可以采用融合各样本卷积子图的方法来组合不同种特征并捕获整体图像，也即叠加各样本卷积子图，最终得到样本图像对应的预测篡改标记图像。
58.s206、根据样本图像的标准篡改标记图像以及预测篡改标记图像计算图像检测模
型的预测损失，基于预测损失训练图像检测模型直至图像检测模型收敛。
59.可选地，在模型训练过程中，通常使用损失函数来计算模型每一轮训练的输出值与样本对应的标准值之间的损失值，模型利用损失值对参数进行调整，趋向于损失值减小的方向拟合，当损失值满足预设目标值时，则说明模型的训练成果已经达到预设目标。基于此，训练图像检测模型，首先在准备样本图像时，也准备样本图像对应的标准篡改标记图像，样本图像的标准篡改标记图像以及预测篡改标记图像，可以计算图像检测模型的预测损失值，训练图像检测模型直至图像检测模型收敛。这样获得的图像检测模型分别通过色彩、离散余弦变换、内容理解三个通道卷积图像时可以同时关注图像的像素、噪声以及内容表现，通过多种图像特征进行更全面的图像篡改检测，提升图像检测模型的检测准确性，也使得图像检测模型适用于多样化应用场景。
60.在本说明书实施例中，提供一种图像检测模型训练方法，将样本图像输入图像检测模型，通过图像检测模型中的色彩卷积通道、离散余弦变换卷积通道、内容理解卷积通道分别卷积样本图像，得到各卷积通道输出的样本图像对应的样本卷积子图；叠加各样本卷积子图，得到样本图像对应的预测篡改标记图像；根据样本图像的标准篡改标记图像以及预测篡改标记图像计算图像检测模型的预测损失，基于预测损失训练图像检测模型直至图像检测模型收敛。由于图像的内容理解通道能够关注图像的内容表现，卷积过程中获取图像内容表现中的篡改线索，因此当图像检测模型分别通过色彩、离散余弦变换、内容理解三个通道卷积图像时可以同时关注图像的像素、噪声以及内容表现，通过多种图像特征进行更全面的图像篡改检测，提升图像检测模型的检测准确性，也使得图像检测模型适用于多样化应用场景。
61.请参阅图3，图3为本说明书实施例提供的一种图像检测模型训练方法的流程示意图。
62.如图3所示，图像检测模型训练方法至少可以包括：
63.s302、将样本图像输入图像检测模型，获取样本图像的像素特征图像，通过图像检测模型中的色彩卷积通道卷积像素特征图像，得到样本图像对应的样本色彩卷积子图。
64.可选地，对于不同卷积通道，使用不同卷积核进行卷积，那么就需要将图像预处理为对应特征的特征图，以便于图像检测模型能够从中获取相关特征的图像篡改线索。对于色彩卷积通道，在将样本图像输入图像检测模型之后，通过图像检测模型的色彩卷积通道卷积样本图像之前，首先通过图像预处理获取样本图像的像素特征图像，通过图像检测模型中的色彩卷积通道卷积像素特征图像，得到样本图像对应的样本色彩卷积子图，样本色彩卷积子图包含了图像检测模型基于视觉线索检测到的认为存在篡改的像素点。
65.s304、获取样本图像的离散余弦变换特征图像，通过图像检测模型中的离散余弦变换卷积通道卷积离散余弦变换特征图像，得到样本图像对应的样本离散余弦变换卷积子图。
66.可选地，与色彩卷积通道同理，对于离散余弦变换卷积通道，在将样本图像输入图像检测模型之后，通过图像检测模型的离散余弦变换卷积通道卷积样本图像之前，首先通过图像预处理获取样本图像的离散余弦变换特征图像，通过图像检测模型中的离散余弦变换卷积通道卷积离散余弦变换特征图像，得到样本图像对应的样本离散余弦变换卷积子图，样本离散余弦变换卷积子图包含了图像检测模型基于压缩伪影线索检测到的认为存在
篡改的像素点。
67.s306、获取样本图像的内容特征图像，通过图像检测模型中的内容理解卷积通道卷积内容特征图像，得到样本图像对应的样本内容理解卷积子图。
68.可选地，与色彩卷积通道、离散余弦变换卷积通道同理，对于内容理解卷积通道，在将样本图像输入图像检测模型之后，通过图像检测模型的内容理解卷积通道卷积样本图像之前，首先通过图像预处理获取样本图像的离散余弦变换特征图像，通过图像检测模型中的内容理解卷积通道卷积内容特征图像，得到样本图像对应的样本内容理解卷积子图，样本内容理解卷积子图包含了图像检测模型基于内容理解检测到的认为存在篡改的像素点。
69.具体地，首先将文档图片进行内容理解lay-out识别，文档lay-out为文档信息要素的布局识别，例如样本图像为文档图像时，在对样本图像进行内容识别时，可以将字、印章、纸张边缘中的至少一种作为目标内容，将样本图像中为目标内容的像素点以及为非目标内容的像素点进行区分标记，得到样本图像的内容特征图像，那么在图像检测模型的不断训练中，模型最终能很好地识别出图像的目标内容，有利于模型在后续检测时提高对目标内容的篡改变化的注意力。
70.更进一步地，将样本图像中为目标内容的像素点以及为非目标内容的像素点进行区分标记时，可以具体为确定样本图像中为目标内容的像素点的标记值为1，以及确定样本图像中为非目标内容的像素点的标记值为0。也就是将样本图像按照目标内容和非目标内容进行二值化，实现区分标记。
71.可选地，进行图像内容理解时，不仅可以同时关注图像中的文字内容、印章内容，若希望模型能够区分出具体的篡改内容，例如识别出是文字出现篡改还是印章出现篡改，可以将内容理解细化为文字理解、印章理解，分别使用不同卷积通道，使得图像检测模型不仅关注图像内容，更关注图像的具体内容表现。并且，对于文档图形场景，可以设置图像检测模型对文档边缘、图像背景、文字、印章都进行分别识别，提升模型在检测时的内容识别能力，减少图像其他内容对目标内容的干扰，从而也提升了模型最终的检测准确性。
72.请参阅图4，图4为本说明书实施例提供的一种图像检测模型的多卷积通道示意图。如图4所示，将样本图像输入图像检测模型之后，图像检测模型分别针对三种卷积通道进行图像预处理，然后分别基于色彩卷积通道、离散余弦变换卷积通道、内容理解卷积通道进行三个通道的卷积，最终能够将个通道卷积结果进行融合叠加从而得到样本图像对应的预测篡改标记图像。
73.s308、叠加各样本卷积子图，得到样本图像对应的预测篡改标记图像。
74.s3010、根据样本图像的标准篡改标记图像以及预测篡改标记图像计算图像检测模型的预测损失，基于预测损失训练图像检测模型直至图像检测模型收敛。
75.关于步骤s308-s3010，请参阅步骤s204-s206中的详细记载，此处不再赘述。
76.在本说明书实施例中，提供一种图像检测模型训练方法，图像检测模型分别针对三种卷积通道进行对应的图像预处理，特别是对于内容理解通道，使用图像内容元素识别的方法，对图像中的目标内容和非目标内容进行分别标记，使得在图像检测模型的不断训练中，模型最终能很好地识别出图像的目标内容，有利于模型在后续检测时提高对目标内容的篡改变化的注意力；多卷积通道的图像检测模型，各卷积通道定制化的卷积核可以有
效的将不同类型篡改特征体现出来，这样在不同通道用不同卷积核最后再融合的方式可以更好的提取图像篡改特征，收敛后的模型也就具有更出准确的检测能力。
77.请参阅图5，图5为本说明书实施例提供的一种图像检测模型训练方法的流程示意图。
78.如图5所示，图像检测模型训练方法至少可以包括：
79.s502、将样本图像输入图像检测模型，通过图像检测模型中的色彩卷积通道、离散余弦变换卷积通道、内容理解卷积通道按照至少两种分辨率尺寸分别卷积样本图像，得到各卷积通道输出的样本图像在各分辨率尺寸对应的样本卷积子图。
80.可选地，图像在传播、存储的过程中，可能经过多次压缩、尺寸改变，其分辨率大小不会一直保持一致，那么在各分辨率尺寸中，都存在着图像的不同篡改线索，因此图像检测模型的每个卷积通道都可以使用多种分辨率尺寸，以获得不同分辨率尺寸的卷积子图，提高模型的检测能力。在本说明书实施例中，将样本图像输入图像检测模型，通过图像检测模型中的色彩卷积通道、离散余弦变换卷积通道、内容理解卷积通道按照至少两种分辨率尺寸分别卷积样本图像，得到各卷积通道输出的样本图像在各分辨率尺寸对应的样本卷积子图。各卷积层分辨率可以设置为原图的二分之一、四分之一、八分之一等等，其中各卷积通道的每层样本卷积子图信息互通，避免各个尺度信息丢失，这样得到多个分辨率尺度的特征进行最终融合，极大提高了模型对各类分辨率尺寸图像的检测能力。
81.s504、叠加色彩卷积通道、离散余弦变换卷积通道、内容理解卷积通道分别输出的相同分辨率尺寸的样本卷积子图，得到样本图像对应的各分辨率尺寸的样本卷积图。
82.可选地，对各样本卷积子图进行叠加时，首先按照分辨率层级，叠加色彩卷积通道、离散余弦变换卷积通道、内容理解卷积通道分别输出的相同分辨率尺寸的样本卷积子图，例如当各卷积通道的卷积层都是两层，分别为二分之一原分辨率、八分之一原分辨率时，则将同为二分之一原分辨率的卷积层对应的三个通道的样本卷积子图叠加，以及将同为八分之一原分辨率的卷积层对应的三个通道的样本卷积子图叠加，得到样本图像对应的各分辨率尺寸的样本卷积图。
83.s506、融合各分辨率尺寸的样本卷积图，得到样本图像对应的预测篡改标记图像。
84.可选地，此时得到的各分辨率尺寸的样本卷积图，为了获得最终样本图像的原图分辨率大小的预测篡改标记图像，需要将各分辨率尺寸的样本卷积图反卷积为与样本图像一致的原分辨率尺寸，融合原分辨率尺寸的各样本卷积图，得到样本图像对应的预测篡改标记图像。
85.可选地，对各分辨率尺寸的样本卷积图进行反卷积时，可以具体通过双线性插值(上采样)或跨卷积(下采样)匹配分辨率后，通过对多分辨率特征求和来融合多分辨率特征图。其中，常见的双线性插值是插值算法中的一种，是线性插值的扩展，利用原图像中目标点四周的四个真实存在的像素值来共同决定目标图中的一个像素值，其核心思想是在两个方向分别进行一次线性插值。
86.s508、计算样本图像的标准篡改标记图像与预测篡改标记图像中篡改标记的像素重合度，基于像素重合度计算图像检测模型的预测损失，基于预测损失训练图像检测模型直至图像检测模型收敛。
87.可选地，最后，根据样本图像的标准篡改标记图像以及预测篡改标记图像计算图
像检测模型的预测损失，并基于预测损失训练图像检测模型直至图像检测模型收敛。具体为计算样本图像的标准篡改标记图像与预测篡改标记图像中篡改标记的像素重合度，基于像素重合度计算图像检测模型的预测损失。在此过程中，样本图像的标准篡改标机图像为标记已篡改部分的像素点，这对于文档之类的样本图像就具有先验的指导性，在容易被篡改如文字、章伪造等的区域，在区域权重上面可以加强，这个过程在训练中自动学习到，也就是实际上的注意力机制，训练过程中会自动的注意到这些内容理解的特定区域，有利于图像对特定内容的关注和篡改检测。
88.在本说明书实施例中，提供一种图像检测模型训练方法，分别通过多种分辨率尺寸的色彩卷积通道、离散余弦变换卷积通道、内容理解卷积通道卷积样本图像，得到各卷积通道输出的样本图像在各分辨率尺寸对应的样本卷积子图之后，首先将相同分辨率的三个通道的样本卷积子图进行融合叠加，得到各分辨率尺寸的样本卷积图，最终对各分辨率尺寸的样本卷积图进行反卷积后得到了预测篡改标记图像，极大提高了模型对各类分辨率尺寸图像的检测能力，并且模型训练过程中会提高对内容理解区域的注意力，有利于图像对特定内容的关注和篡改检测。
89.请参阅图6，图6为本说明书实施例提供的一种图像检测方法的流程示意图。
90.如图6所示，图像检测方法至少可以包括：
91.s601、获取待检测图像，将待检测图像输入图像检测模型，通过图像检测模型中的色彩卷积通道、离散余弦变换卷积通道、内容理解卷积通道分别卷积待检测图像，得到各卷积通道输出的待检测图像对应的目标卷积子图。
92.在实际场景中，部署上述任一说明书实施例中的图像检测模型训练方法训练并收敛的图像检测模型。然后将待检测图像输入图像检测模型，通过图像检测模型中的色彩卷积通道、离散余弦变换卷积通道、内容理解卷积通道分别卷积待检测图像，得到各卷积通道输出的待检测图像对应的目标卷积子图，图像检测模型能够同时注意到图像中的视觉色彩线索、压缩特征系数线索以及指定内容的篡改线索，通过多种图像特征进行更全面的图像篡改检测，提升图像检测模型的检测准确性，同时关注图像的像素、噪声以及内容表现，也使得图像检测模型适用于多样化应用场景。
93.s602、叠加各目标卷积子图，得到目标图像对应的预测篡改标记图像，以及根据预测篡改标记图像确定待检测图像的篡改检测结果。
94.同样的，实际场景中，叠加各目标卷积子图，得到目标图像对应的预测篡改标记图像，具体流程为上述任一说明书实施例中的图像检测模型训练方法训练并收敛的图像检测模型得到预测篡改标记图像的流程，此处不再赘述。而在应用场景中，预测篡改标记图像直接根据预测篡改标记图像确定待检测图像的篡改检测结果，该篡改检测结果可以返回告警信息以提示用户进行下一步操作。
95.在本说明书实施例中，提供一种图像检测方法，获取待检测图像，将待检测图像输入图像检测模型，通过图像检测模型中的色彩卷积通道、离散余弦变换卷积通道、内容理解卷积通道分别卷积待检测图像，得到各卷积通道输出的待检测图像对应的目标卷积子图；叠加各目标卷积子图，得到目标图像对应的预测篡改标记图像，以及根据预测篡改标记图像确定待检测图像的篡改检测结果。使用三个卷积通道的图像检测模型，分别通过色彩、离散余弦变换、内容理解三个通道卷积图像时可以同时关注图像的像素、噪声以及内容表现，
通过多种图像特征进行更全面的图像篡改检测，提升图像检测模型的检测准确性，也使得图像检测模型适用于多样化应用场景。
96.请参阅图7，图7为本说明书实施例提供的一种图像检测模型训练装置的结构框图。如图7所示，图像检测模型训练装置700包括：
97.卷积模块710，用于将样本图像输入图像检测模型，通过图像检测模型中的色彩卷积通道、离散余弦变换卷积通道、内容理解卷积通道分别卷积样本图像，得到各卷积通道输出的样本图像对应的样本卷积子图；
98.融合模块720，用于叠加各样本卷积子图，得到样本图像对应的预测篡改标记图像；
99.训练模块730，用于根据样本图像的标准篡改标记图像以及预测篡改标记图像计算图像检测模型的预测损失，基于预测损失训练图像检测模型直至图像检测模型收敛。
100.可选地，卷积模块710，还用于获取样本图像的像素特征图像，通过图像检测模型中的色彩卷积通道卷积像素特征图像，得到样本图像对应的样本色彩卷积子图；获取样本图像的离散余弦变换特征图像，通过图像检测模型中的离散余弦变换卷积通道卷积离散余弦变换特征图像，得到样本图像对应的样本离散余弦变换卷积子图；获取样本图像的内容特征图像，通过图像检测模型中的内容理解卷积通道卷积内容特征图像，得到样本图像对应的样本内容理解卷积子图。
101.可选地，卷积模块710，还用于对样本图像进行内容识别，将样本图像中为目标内容的像素点以及为非目标内容的像素点进行区分标记，得到样本图像的内容特征图像，目标内容包括文字、印章、纸张边缘中的至少一种。
102.可选地，卷积模块710，还用于确定样本图像中为目标内容的像素点的标记值为1，以及确定样本图像中为非目标内容的像素点的标记值为0。
103.可选地，卷积模块710，还用于通过图像检测模型中的色彩卷积通道、离散余弦变换卷积通道、内容理解卷积通道按照至少两种分辨率尺寸分别卷积样本图像，得到各卷积通道输出的样本图像在各分辨率尺寸对应的样本卷积子图。
104.可选地，融合模块720，还用于叠加色彩卷积通道、离散余弦变换卷积通道、内容理解卷积通道分别输出的相同分辨率尺寸的样本卷积子图，得到样本图像对应的各分辨率尺寸的样本卷积图；融合各分辨率尺寸的样本卷积图，得到样本图像对应的预测篡改标记图像。
105.可选地，融合模块720，还用于将各分辨率尺寸的样本卷积图反卷积为与样本图像一致的原分辨率尺寸，融合原分辨率尺寸的各样本卷积图，得到样本图像对应的预测篡改标记图像。
106.可选地，训练模块730，还用于计算样本图像的标准篡改标记图像与预测篡改标记图像中篡改标记的像素重合度，基于像素重合度计算图像检测模型的预测损失。
107.在本说明书实施例中，提供一种图像检测模型训练装置，其中，卷积模块，用于将样本图像输入图像检测模型，通过图像检测模型中的色彩卷积通道、离散余弦变换卷积通道、内容理解卷积通道分别卷积样本图像，得到各卷积通道输出的样本图像对应的样本卷积子图；融合模块，用于叠加各样本卷积子图，得到样本图像对应的预测篡改标记图像；训练模块，用于根据样本图像的标准篡改标记图像以及预测篡改标记图像计算图像检测模型
的预测损失，基于预测损失训练图像检测模型直至图像检测模型收敛。由于图像的内容理解通道能够关注图像的内容表现，卷积过程中获取图像内容表现中的篡改线索，因此当图像检测模型分别通过色彩、离散余弦变换、内容理解三个通道卷积图像时可以同时关注图像的像素、噪声以及内容表现，通过多种图像特征进行更全面的图像篡改检测，提升图像检测模型的检测准确性，也使得图像检测模型适用于多样化应用场景。
108.请参阅图8，图8为本说明书实施例提供的一种图像检测装置的结构框图。如图8所示，图像检测装置800包括：
109.输入模块810，用于获取待检测图像，将待检测图像输入图像检测模型，通过图像检测模型中的色彩卷积通道、离散余弦变换卷积通道、内容理解卷积通道分别卷积待检测图像，得到各卷积通道输出的待检测图像对应的目标卷积子图；
110.输出模块820，用于叠加各目标卷积子图，得到目标图像对应的预测篡改标记图像，以及根据预测篡改标记图像确定待检测图像的篡改检测结果；
111.其中，图像检测模型为上述任一项说明书实施例中的图像检测模型训练方法训练并收敛的图像检测模型。
112.在本说明书实施例中，提供一种图像检测装置，输入模块，用于获取待检测图像，将待检测图像输入图像检测模型，通过图像检测模型中的色彩卷积通道、离散余弦变换卷积通道、内容理解卷积通道分别卷积待检测图像，得到各卷积通道输出的待检测图像对应的目标卷积子图；输出模块，用于叠加各目标卷积子图，得到目标图像对应的预测篡改标记图像，以及根据预测篡改标记图像确定待检测图像的篡改检测结果；其中，图像检测模型为上述任一项说明书实施例中的图像检测模型训练方法训练并收敛的图像检测模型。使用三个卷积通道的图像检测模型，分别通过色彩、离散余弦变换、内容理解三个通道卷积图像时可以同时关注图像的像素、噪声以及内容表现，通过多种图像特征进行更全面的图像篡改检测，提升图像检测模型的检测准确性，也使得图像检测模型适用于多样化应用场景。
113.本说明书实施例提供一种包含指令的计算机程序产品，当计算机程序产品在计算机或处理器上运行时，使得计算机或处理器执行上述实施例中任一项的方法的步骤。
114.本说明书实施例还提供了一种计算机存储介质，计算机存储介质可以存储有多条指令，指令适于由处理器加载并执行如上述实施例中的任一项的方法的步骤。
115.请参见图9，图9为本说明书实施例提供的一种终端的结构示意图。如图9所示，终端900可以包括：至少一个终端处理器901，至少一个网络接口904，用户接口903，存储器905，至少一个通信总线902。
116.其中，通信总线902用于实现这些组件之间的连接通信。
117.其中，用户接口903可以包括显示屏(display)、摄像头(camera)，可选用户接口903还可以包括标准的有线接口、无线接口。
118.其中，网络接口904可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。
119.其中，终端处理器901可以包括一个或者多个处理核心。终端处理器901利用各种接口和线路连接整个终端900内的各个部分，通过运行或执行存储在存储器905内的指令、程序、代码集或指令集，以及调用存储在存储器905内的数据，执行终端900的各种功能和处理数据。可选的，终端处理器901可以采用数字信号处理(digital signal processing，dsp)、现场可编程门阵列(field-programmable gate array，fpga)、可编程逻辑阵列
(programmable logic array，pla)中的至少一种硬件形式来实现。终端处理器901可集成中央处理器(central processing unit，cpu)、图像处理器(graphics processing unit，gpu)和调制解调器等中的一种或几种的组合。其中，cpu主要处理操作系统、用户界面和应用程序等；gpu用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到终端处理器901中，单独通过一块芯片进行实现。
120.其中，存储器905可以包括随机存储器(random access memory，ram)，也可以包括只读存储器(read-only memory，rom)。可选的，该存储器905包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器905可用于存储指令、程序、代码、代码集或指令集。存储器905可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器905可选的还可以是至少一个位于远离前述终端处理器901的存储装置。如图9所示，作为一种计算机存储介质的存储器905中可以包括操作系统、网络通信模块、用户接口模块以及图像检测模型训练及图像检测程序。
121.在图9所示的终端900中，用户接口903主要用于为用户提供输入的接口，获取用户输入的数据；而终端处理器901可以用于调用存储器905中存储的图像检测模型训练程序，并具体执行以下操作：
122.将样本图像输入图像检测模型，通过图像检测模型中的色彩卷积通道、离散余弦变换卷积通道、内容理解卷积通道分别卷积样本图像，得到各卷积通道输出的样本图像对应的样本卷积子图；
123.叠加各样本卷积子图，得到样本图像对应的预测篡改标记图像；
124.根据样本图像的标准篡改标记图像以及预测篡改标记图像计算图像检测模型的预测损失，基于预测损失训练图像检测模型直至图像检测模型收敛。
125.在一些实施例中，终端处理器901在执行通过图像检测模型中的色彩卷积通道、离散余弦变换卷积通道、内容理解卷积通道分别卷积样本图像，得到各卷积通道输出的样本图像对应的样本卷积子图时，具体执行以下步骤：获取样本图像的像素特征图像，通过图像检测模型中的色彩卷积通道卷积像素特征图像，得到样本图像对应的样本色彩卷积子图；获取样本图像的离散余弦变换特征图像，通过图像检测模型中的离散余弦变换卷积通道卷积离散余弦变换特征图像，得到样本图像对应的样本离散余弦变换卷积子图；获取样本图像的内容特征图像，通过图像检测模型中的内容理解卷积通道卷积内容特征图像，得到样本图像对应的样本内容理解卷积子图。
126.在一些实施例中，终端处理器901在执行获取样本图像的内容特征图像时，具体执行以下步骤：对样本图像进行内容识别，将样本图像中为目标内容的像素点以及为非目标内容的像素点进行区分标记，得到样本图像的内容特征图像，目标内容包括文字、印章、纸张边缘中的至少一种。
127.在一些实施例中，终端处理器901在执行将样本图像中为目标内容的像素点以及为非目标内容的像素点进行区分标记时，具体执行以下步骤：确定样本图像中为目标内容的像素点的标记值为1，以及确定样本图像中为非目标内容的像素点的标记值为0。
128.在一些实施例中，终端处理器901在执行通过图像检测模型中的色彩卷积通道、离散余弦变换卷积通道、内容理解卷积通道分别卷积样本图像，得到各卷积通道输出的样本图像对应的样本卷积子图时，具体执行以下步骤：通过图像检测模型中的色彩卷积通道、离散余弦变换卷积通道、内容理解卷积通道按照至少两种分辨率尺寸分别卷积样本图像，得到各卷积通道输出的样本图像在各分辨率尺寸对应的样本卷积子图。
129.在一些实施例中，终端处理器901在执行叠加各样本卷积子图，得到样本图像对应的预测篡改标记图像时，具体执行以下步骤：叠加色彩卷积通道、离散余弦变换卷积通道、内容理解卷积通道分别输出的相同分辨率尺寸的样本卷积子图，得到样本图像对应的各分辨率尺寸的样本卷积图；融合各分辨率尺寸的样本卷积图，得到样本图像对应的预测篡改标记图像。
130.在一些实施例中，终端处理器901在执行融合各分辨率尺寸的样本卷积图，得到样本图像对应的预测篡改标记图像时，具体执行以下步骤：将各分辨率尺寸的样本卷积图反卷积为与样本图像一致的原分辨率尺寸，融合原分辨率尺寸的各样本卷积图，得到样本图像对应的预测篡改标记图像。
131.在一些实施例中，终端处理器901在执行根据样本图像的标准篡改标记图像以及预测篡改标记图像计算图像检测模型的预测损失时，具体执行以下步骤：计算样本图像的标准篡改标记图像与预测篡改标记图像中篡改标记的像素重合度，基于像素重合度计算图像检测模型的预测损失。
132.在图9所示的终端900中，用户接口903主要用于为用户提供输入的接口，获取用户输入的数据；而终端处理器901还可以用于调用存储器905中存储的图像检测程序，并具体执行以下操作：
133.获取待检测图像，将待检测图像输入图像检测模型，通过图像检测模型中的色彩卷积通道、离散余弦变换卷积通道、内容理解卷积通道分别卷积待检测图像，得到各卷积通道输出的待检测图像对应的目标卷积子图；
134.叠加各目标卷积子图，得到目标图像对应的预测篡改标记图像，以及根据预测篡改标记图像确定待检测图像的篡改检测结果；
135.其中，图像检测模型为上述任一项说明书实施例中的图像检测模型训练方法训练并收敛的图像检测模型。
136.在本说明书所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
137.作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
138.在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。上述计算机程序
产品包括一个或多个计算机指令。在计算机上加载和执行上述计算机程序指令时，全部或部分地产生按照本说明书实施例上述的流程或功能。上述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。上述计算机指令可以存储在计算机可读存储介质中，或者通过上述计算机可读存储介质进行传输。上述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。上述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。上述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，数字多功能光盘(digital versatile disc，dvd))、或者半导体介质(例如，固态硬盘(solid state disk，ssd))等。
139.需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本说明书实施例并不受所描述的动作顺序的限制，因为依据本说明书实施例，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本说明书实施例所必须的。
140.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
141.以上为对本说明书实施例所提供的一种图像检测模型训练及图像检测方法、装置以及存储介质的描述，对于本领域的技术人员，依据本说明书实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本说明书实施例的限制。

技术特征：
1.一种图像检测模型训练方法，所述方法包括：将样本图像输入图像检测模型，通过所述图像检测模型中的色彩卷积通道、离散余弦变换卷积通道、内容理解卷积通道分别卷积所述样本图像，得到各卷积通道输出的所述样本图像对应的样本卷积子图；叠加各样本卷积子图，得到所述样本图像对应的预测篡改标记图像；根据所述样本图像的标准篡改标记图像以及所述预测篡改标记图像计算所述图像检测模型的预测损失，基于所述预测损失训练所述图像检测模型直至所述图像检测模型收敛。2.根据权利要求1所述的方法，所述通过所述图像检测模型中的色彩卷积通道、离散余弦变换卷积通道、内容理解卷积通道分别卷积所述样本图像，得到各卷积通道输出的所述样本图像对应的样本卷积子图，包括：获取所述样本图像的像素特征图像，通过所述图像检测模型中的色彩卷积通道卷积所述像素特征图像，得到所述样本图像对应的样本色彩卷积子图；获取所述样本图像的离散余弦变换特征图像，通过所述图像检测模型中的离散余弦变换卷积通道卷积所述离散余弦变换特征图像，得到所述样本图像对应的样本离散余弦变换卷积子图；获取所述样本图像的内容特征图像，通过所述图像检测模型中的内容理解卷积通道卷积所述内容特征图像，得到所述样本图像对应的样本内容理解卷积子图。3.根据权利要求2所述的方法，所述获取所述样本图像的内容特征图像，包括：对所述样本图像进行内容识别，将所述样本图像中为目标内容的像素点以及为非目标内容的像素点进行区分标记，得到所述样本图像的内容特征图像，所述目标内容包括文字、印章、纸张边缘中的至少一种。4.根据权利要求3所述的方法，所述将所述样本图像中为目标内容的像素点以及为非目标内容的像素点进行区分标记，包括：确定所述样本图像中为目标内容的像素点的标记值为1，以及确定所述样本图像中为非目标内容的像素点的标记值为0。5.根据权利要求1至4任一项所述的方法，所述通过所述图像检测模型中的色彩卷积通道、离散余弦变换卷积通道、内容理解卷积通道分别卷积所述样本图像，得到各卷积通道输出的所述样本图像对应的样本卷积子图，包括：通过所述图像检测模型中的色彩卷积通道、离散余弦变换卷积通道、内容理解卷积通道按照至少两种分辨率尺寸分别卷积所述样本图像，得到各卷积通道输出的所述样本图像在各分辨率尺寸对应的样本卷积子图。6.根据权利要求5所述的方法，所述叠加各样本卷积子图，得到所述样本图像对应的预测篡改标记图像，包括：叠加所述色彩卷积通道、所述离散余弦变换卷积通道、所述内容理解卷积通道分别输出的相同分辨率尺寸的样本卷积子图，得到所述样本图像对应的各分辨率尺寸的样本卷积图；融合各分辨率尺寸的样本卷积图，得到所述样本图像对应的预测篡改标记图像。7.根据权利要求6所述的方法，所述融合各分辨率尺寸的样本卷积图，得到所述样本图
像对应的预测篡改标记图像，包括：将各分辨率尺寸的样本卷积图反卷积为与所述样本图像一致的原分辨率尺寸，融合所述原分辨率尺寸的各样本卷积图，得到所述样本图像对应的预测篡改标记图像。8.根据权利要求1所述的方法，所述根据所述样本图像的标准篡改标记图像以及所述预测篡改标记图像计算所述图像检测模型的预测损失，包括：计算所述样本图像的标准篡改标记图像与所述预测篡改标记图像中篡改标记的像素重合度，基于所述像素重合度计算所述图像检测模型的预测损失。9.一种图像检测方法，所述方法包括：获取待检测图像，将所述待检测图像输入图像检测模型，通过所述图像检测模型中的色彩卷积通道、离散余弦变换卷积通道、内容理解卷积通道分别卷积所述待检测图像，得到各卷积通道输出的所述待检测图像对应的目标卷积子图；叠加各目标卷积子图，得到所述目标图像对应的预测篡改标记图像，以及根据所述预测篡改标记图像确定所述待检测图像的篡改检测结果；其中，所述图像检测模型为权利要求1至8任一项所述的图像检测模型训练方法训练并收敛的图像检测模型。10.一种图像检测模型训练装置，所述装置包括：卷积模块，用于将样本图像输入图像检测模型，通过所述图像检测模型中的色彩卷积通道、离散余弦变换卷积通道、内容理解卷积通道分别卷积所述样本图像，得到各卷积通道输出的所述样本图像对应的样本卷积子图；融合模块，用于叠加各样本卷积子图，得到所述样本图像对应的预测篡改标记图像；训练模块，用于根据所述样本图像的标准篡改标记图像以及所述预测篡改标记图像计算所述图像检测模型的预测损失，基于所述预测损失训练所述图像检测模型直至所述图像检测模型收敛。11.一种图像检测装置，所述装置包括：输入模块，用于获取待检测图像，将所述待检测图像输入图像检测模型，通过所述图像检测模型中的色彩卷积通道、离散余弦变换卷积通道、内容理解卷积通道分别卷积所述待检测图像，得到各卷积通道输出的所述待检测图像对应的目标卷积子图；输出模块，用于叠加各目标卷积子图，得到所述目标图像对应的预测篡改标记图像，以及根据所述预测篡改标记图像确定所述待检测图像的篡改检测结果；其中，所述图像检测模型为权利要求1至8任一项所述的图像检测模型训练方法训练并收敛的图像检测模型。12.一种包含指令的计算机程序产品，当所述计算机程序产品在计算机或处理器上运行时，使得所述计算机或所述处理器执行如权利要求1至8或9任意一项所述方法的步骤。13.一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如权利要求1至8或9任意一项的所述方法的步骤。14.一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1至8或9任一项所述方法的步骤。

技术总结
本说明书实施例公开了一种图像检测模型训练及图像检测方法、装置以及存储介质，将样本图像输入图像检测模型，通过图像检测模型中的三种卷积通道分别卷积样本图像，得到各卷积通道输出的样本图像对应的样本卷积子图；叠加各样本卷积子图，得到样本图像对应的预测篡改标记图像；根据预测篡改标记图像计算图像检测模型的预测损失，训练图像检测模型。由于当图像检测模型通过多种卷积通道进行图像卷积时，通过多种图像特征进行更全面的图像篡改检测，提升图像检测模型的检测准确性，也使得图像检测模型适用于多样化应用场景。测模型适用于多样化应用场景。测模型适用于多样化应用场景。


技术研发人员：刘勇 暨凯祥 王伟
受保护的技术使用者：重庆蚂蚁消费金融有限公司
技术研发日：2023.03.29
技术公布日：2023/8/1