本申请涉及图片处理领域，尤其涉及基于分段集成学习的伪造图片检测与定位方法及装置。
背景技术：
1、在具体应用中，常会出现非法对图片进行篡改和伪造得到伪造图片，之后基于伪造图片进行非法攻击。比如，非法对图片中的人脸进行恶意替换得到伪造图片，以伪造图片中的人脸对人脸系统进行非法攻击。
2、基于此，一种对伪造图片进行检测与定位的方法是当前亟待解决的技术问题。
技术实现思路
1、有鉴于此，本申请实施例提供基于分段集成学习的伪造图片检测与定位方法及装置，以实现伪造图片的检测与定位。
2、本申请实施例提供一种基于分段集成学习的伪造图片检测与定位方法，该方法包括：
3、将待检测的目标图片输入至第一段集成模型中，以通过所述第一段集成模型中n个检测子模型分别对所述目标图片进行伪造检测，得到n个检测结果，并通过所述第一段集成模型中的第一集成子模型对所述n个检测结果进行集成以得到目标检测结果；其中，通过任一个检测子模型得到的检测结果包括该检测子模型输出的所述目标图片为伪造图片的参考置信度；所述目标检测结果包括所述目标图片为伪造图片的目标置信度；n大于1；
4、若基于所述目标检测结果确定所述目标图片为伪造图片，则将所述目标图片输入至第二段集成模型中，以通过所述第二段集成模型中m个定位子模型分别对所述目标图片中的伪造区域进行定位，得到m个定位结果，并通过所述第二段集成模型中的第二集成子模型对所述m个定位结果进行集成以得到目标定位结果；其中，通过任一个定位子模型得到的定位结果包括该定位子模型输出的所述目标图片中的参考伪造区域；所述目标定位结果为所述目标图片中的目标伪造区域；m大于1。
5、本申请实施例还提供一种基于分段集成学习的伪造图片检测与定位装置，该装置包括：
6、检测模块，将待检测的目标图片输入至第一段集成模型中，以通过所述第一段集成模型中n个检测子模型分别对所述目标图片进行伪造检测，得到n个检测结果，并通过所述第一段集成模型中的第一集成子模型对所述n个检测结果进行集成以得到目标检测结果；其中，通过任一个检测子模型得到的检测结果包括该检测子模型输出的所述目标图片为伪造图片的参考置信度；所述目标检测结果包括所述目标图片为伪造图片的目标置信度；n大于1；
7、定位模块，用于若基于所述目标检测结果确定所述目标图片为伪造图片，则将所述目标图片输入至第二段集成模型中，以通过所述第二段集成模型中m个定位子模型分别对所述目标图片中的伪造区域进行定位，得到m个定位结果，并通过所述第二段集成模型中的第二集成子模型对所述m个定位结果进行集成以得到目标定位结果；其中，通过任一个定位子模型得到的定位结果包括该定位子模型输出的所述目标图片中的参考伪造区域；所述目标定位结果为所述目标图片中的目标伪造区域；m大于1。
8、本申请实施例还提供一种电子设备，包括：处理器和用于存储计算机程序指令的存储器，计算机程序指令在被处理器运行时使得处理器执行如上方法的步骤。
9、本申请实施例还提供一种计算机程序产品，该计算机程序被处理器执行时实现能够实现如上方法的步骤。
10、本申请实施例还提供一种机器可读存储介质，该存储介质存储有计算机程序指令，当该计算机程序指令被执行时，能够实现如上方法的步骤。
11、由以上技术方案可以看出，在本实施例中，通过第一段集成模型中n个检测子模型分别对目标图片进行伪造检测，得到n个检测结果，并通过第一段集成模型中的第一集成子模型对n个检测结果进行集成，以得到目标检测结果，在确定目标图片为伪造图片的情况下，利用第二段集成模型中m个定位子模型分别对目标图片中的伪造区域进行定位，得到m个定位结果，并通过第二段集成模型中的第二集成子模型对m个定位结果进行集成以得到目标定位结果，这不仅能够确定出目标图片是否为伪造图片，还能确定出目标图片中的伪造区域，也即，通过两段集成模型实现了伪造图片的检测与定位。
12、进一步地，在本实施例中，在第一段集成模型工作的过程中，通过第一集成子模型对n个检测结果进行集成，这使得最终的目标检测结果可以集成各检测结果的优势，这显著提高了目标检测结果的准确性。在第二段集成模型工作的过程中，通过第二集成子模型对m个检测结果进行集成，这使得最终的目标定位结果可以集成各定位结果的优势，这显著提高了目标定位结果的准确性。如此，能够有效提高伪造图片的检测与定位的准确性。
13、再进一步地，在本实施例中，由于第二段集成模型是在已经确定目标图片是伪造图片的情况下，才进行伪造区域定位，这使得第二段集成模型的全部算力都能够集中在伪造区域定位上，从而发挥最优性能，这使得获得目标定位结果更加准确，也即，这进一步提高了伪造图片定位的准确性。
1.一种基于分段集成学习的伪造图片检测与定位方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述第一段集成模型中第一集成子模型，是基于n个检测子模型在k1个样本图片类型下的检测性能确定；其中，任一个检测子模型在任一个样本图片类型下的检测性能，依赖于该检测子模型对该样本图片类型下的样本图片集进行伪造检测的结果确定；和/或，
3.根据权利要求2所述的方法，其特征在于，在通过所述第一段集成模型中的第一集成子模型对所述n个检测结果进行集成之前，该方法进一步包括：利用k1个样本图片类型下的样本图片集对所述第一集成子模型进行优化；
4.根据权利要求1所述的方法，其特征在于，所述第一集成子模型为个性化投票模型；所述n个检测子模型被所述个性化投票模型配置了对应的权重值；
5.根据权利要求1所述的方法，其特征在于，所述参考伪造区域中像素点的置信度为第一值；通过任一个定位子模型得到的定位结果还包括该定位子模型输出的所述目标图片中的非参考伪造区域，所述非参考伪造区域中像素点的置信度为第二值；
6.根据权利要求5所述的方法，其特征在于，所述目标伪造区域中任一像素点对应的像素点伪造参数小于设定阈值。
7.一种基于分段集成学习的伪造图片检测与定位装置，其特征在于，所述装置包括：
8.根据权利要求7所述的装置，其特征在于，所述第一段集成模型中第一集成子模型，是基于n个检测子模型在k1个样本图片类型下的检测性能确定；其中，任一个检测子模型在任一个样本图片类型下的检测性能，依赖于该检测子模型对该样本图片类型下的样本图片集进行伪造检测的结果确定；
9.一种电子设备，其特征在于，包括：
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6任一所述方法中的步骤。
