1.一种基于融合差分图卷积的人脸反欺诈方法,其特征在于,步骤如下:S1:对输入图像进行分块,划分成不重叠的图像块,然后将每个图像块视为拓扑图的节点,根据各个节点的特征寻找最近邻节点来构建拓扑图;
S2:将得到拓扑图送入融合差分图卷积模块对节点和边进行更新和聚合,提取欺诈特征;
S3:将融合差分图卷积模块提取的欺诈特征送入像素级回归损失函数,迫使活体样本的欺诈特征为全0图,而对欺诈样本的欺诈特征不施加显性约束,得到回归后的欺诈特征;
S4:最后将得到的欺诈特征和图像的特征叠加,再送入分类器,计算出分类概率,进而判断图像的类别;
所述融合差分图卷积模块由若干个由下采样层分隔的CDGrapher块构成;使用三个下采样层来连接四组不同尺度的CDGrapher块,每个CDGrapher块由图卷积网络部分和前馈神经网络部分构成,图卷积网络部分包括三个二维卷积、三个全连接层、融合差分图卷积、PReLu激活函数以及DropPath块,第一个二维卷积和第二个二维卷积之间使用第一个全连接层连接,第二个二维卷积和融合差分图卷积之间使用第二个全连接层连接并采用PReLu激活函数,融合差分图卷积后连接第三个二维卷积,第三个二维卷积通过第三个全连接层连接DropPath块,DropPath块的输出为图卷积网络部分的输出,所述融合差分图卷积由最大相关图卷积和中心差分图卷积串联而成。
2.根据权利要求1所述的基于融合差分图卷积的人脸反欺诈方法,其特征在于,前馈神经网络部分包括两个二维卷积,每个二维卷积后设置全连接层,第一个全连接层处理后通过PReLu激活函数进行处理,然后再进入第二个二维卷积,第二个全连接层后连接DropPath块。
3.根据权利要求1所述的基于融合差分图卷积的人脸反欺诈方法,其特征在于,拓扑图定义为在构建拓扑图时,综合考虑节点的特征和节点的空间位置信息Pos,将它们进行求和:
4.根据权利要求3所述的基于融合差分图卷积的人脸反欺诈方法,其特征在于,节点的空间位置信息通过相对位置编码来定义,相对位置编码的计算公式如下:式中,
5.根据权利要求3所述的基于融合差分图卷积的人脸反欺诈方法,其特征在于,所述最大相关图卷积的聚合与更新操作如公式所示:式中,
最大相关图卷积更新环节引入了多头更新机制以促进特征多样化;先将其中,
6.根据权利要求3所述的基于融合差分图卷积的人脸反欺诈方法,其特征在于,所述中心差分图卷积将各个最近邻节点的特征与中心节点的特征相减,并经过通过注意力加权求和来更新中心节点的特征,第i个节点的特征其中,
7.根据权利要求6所述的基于融合差分图卷积的人脸反欺诈方法,其特征在于,融合差分图卷积的聚合函数计算公式如下:式中,
8.根据权利要求1所述的基于融合差分图卷积的人脸反欺诈方法,其特征在于,使用平均绝对值损失作为训练融合差分图卷积模块的像素级回归损失函数。
9.根据权利要求1所述的基于融合差分图卷积的人脸反欺诈方法,其特征在于,使用软标签交叉熵损失函数作为分类器的分类损失函数。
10.用于实现权利要求1所述的基于融合差分图卷积的人脸反欺诈方法的系统,其特征在于,包括:数据预处理模块,对输入图像进行分块,划分成不重叠的图像块;
图构建模块,用于将每个图像块视为拓扑图的节点,根据各个节点的特征寻找最近邻节点来构建拓扑图;
融合差分图卷积模块,用于对节点和边进行更新和聚合,提取欺诈特征;
诊断模块,用于将得到的欺诈特征和图像的特征叠加,再送入分类器,计算出分类概率,进而判断图像的类别。