公开(公告)号：CN119445154A

公开(公告)日：2025-02-14

申请号：CN202411489400.3

申请日：2024-10-24

Applicant: 哈尔滨工程大学

Inventor： 李熔盛 ,  于啸 ,  刘野

IPC: G06V10/74 ,  G06V10/42 ,  G06V10/82 ,  G06N3/0475 ,  G06N3/045 ,  G06N3/096 ,  G06T11/00

Abstract: 本发明公开了一种基于增量学习的生成图像检测模型的构建方法及检测方法，模型构建方法包括：构建图像数据集，数据集包括若干子集，子集包括生成图像和真实图像；选取图像数据集中的指定真实生成图像对数量最多的子集，输入基础特征提取器进行预训练处理，获得损失函数，基于损失函数对基础特征提取器进行优化，获得预训练特征提取器；以预训练特征提取器作为增量阶段特征提取器，在此基础上进行增量训练，设计增量阶段的损失函数，并通过增量阶段的损失函数训练第t阶段的所述预训练特征提取器，直至训练完图像数据集中剩余的子集，获得生成图像检测模型。本发明不仅提高了生成图像检测的准确率，还具备持续学习的能力。

公开(公告)号：CN119445328A

公开(公告)日：2025-02-14

申请号：CN202411489414.5

申请日：2024-10-24

Applicant: 哈尔滨工程大学

Inventor： 于啸 ,  李熔盛 ,  刘野

IPC: G06V10/82 ,  G06V10/764 ,  G06V10/42 ,  G06V10/74 ,  G06N3/0475 ,  G06N3/045 ,  G06N3/094

Abstract: 本发明公开了一种跨生成器生成图像检测模型的构建方法和图像检测方法，所述生成图像检测模型的构建方法包括：构建初始图像特征提取器；获取全局嵌入向量，利用所述全局嵌入向量对所述初始图像特征提取器进行训练，获得预训练特征提取器；基于所述预训练特征提取器，设计生成器与其进行对抗训练；基于对抗结果，使用对抗后的特征提取器，并结合设计的分类器进行训练，从而获得最终的生成图像检测模型。本发明不仅显著提升了检测精度，还极大地增强了模型的鲁棒性，使其能够灵活应对未来生成器技术的持续演进与变革，确保了检测系统的前瞻性与适应性。