CN117746515A - 检测模型的训练方法、检测方法、装置、设备和介质 - Google Patents
检测模型的训练方法、检测方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN117746515A CN117746515A CN202311766228.7A CN202311766228A CN117746515A CN 117746515 A CN117746515 A CN 117746515A CN 202311766228 A CN202311766228 A CN 202311766228A CN 117746515 A CN117746515 A CN 117746515A
- Authority
- CN
- China
- Prior art keywords
- face
- image
- training
- rgb
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 189
- 238000001514 detection method Methods 0.000 title claims abstract description 166
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000009966 trimming Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 13
- 238000004821 distillation Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 10
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000003786 synthesis reaction Methods 0.000 claims description 5
- 239000002131 composite material Substances 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 11
- 238000013135 deep learning Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 17
- 238000012545 processing Methods 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本公开提供了一种检测模型的训练方法、检测方法、装置、设备和介质,涉及人工智能技术领域,尤其涉及计算机视觉、深度学习、人脸识别等技术领域,可应用于智慧城市、智慧金融等场景。具体实现方案为:利用RGB人脸图像的训练数据集,训练得到用于检测人脸合成图的预训练模型,其中,所述预训练模型包括嵌入层、主干网络和分类层;获取所述RGB人脸图像对应的频域人脸图像,得到频域人脸图像的训练数据集;在所述主干网络中***可学习的指令微调参数,利用所述频域人脸图像的训练数据集对***所述指令微调参数的预训练模型进行指令微调,得到人脸合成图检测模型。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及计算机视觉、深度学习、人脸识别等技术领域,可应用于智慧城市、智慧金融等场景,具体涉及一种检测模型的训练方法、检测方法、装置、设备和介质。
背景技术
人脸合成图检测即区分一张包含人脸的图像是否经过篡改,是人脸识别***的基础组成模块,保证人脸识别***的安全性。例如,在考勤、门禁、安防和金融支付等诸多场景中都会应用到人脸合成图检测。
人脸合成图检测的精度直接影响各领域防御人脸合成攻击的效果,然而,目前的现有技术仍然不能满足当前对人脸合成图检测的精度要求。
发明内容
本公开提供了一种检测模型的训练方法、检测方法、装置、设备和介质。
根据本公开的一方面,提供了一种人脸合成图检测模型的训练方法,包括:
利用RGB人脸图像的训练数据集,训练得到用于检测人脸合成图的预训练模型,其中,所述预训练模型包括嵌入层、主干网络和分类层;
获取所述RGB人脸图像对应的频域人脸图像,得到频域人脸图像的训练数据集;
在所述主干网络中***可学习的指令微调参数,利用所述频域人脸图像的训练数据集对***所述指令微调参数的预训练模型进行指令微调,得到人脸合成图检测模型。
根据本公开的另一方面,提供了一种人脸合成图检测方法,包括:
将待检测RGB图像输入人脸合成图检测模型,其中,所述人脸合成图检测模型是根据本公开任意实施例所述的人脸合成图检测模型的训练方法训练得到;
获取所述人脸合成图检测模型输出的第一预测值;
如果所述第一预测值高于第一阈值,则确定所述待检测RGB图像为真实人脸图像。
根据本公开的另一方面,提供了一种人脸合成图检测模型的训练装置,包括:
预训练模块,用于利用RGB人脸图像的训练数据集,训练得到用于检测人脸合成图的预训练模型,其中,所述预训练模型包括嵌入层、主干网络和分类层;
频域图像转换模块,用于获取所述RGB人脸图像对应的频域人脸图像,得到频域人脸图像的训练数据集;
指令微调模块,用于在所述主干网络中***可学习的指令微调参数,利用所述频域人脸图像的训练数据集对***所述指令微调参数的预训练模型进行指令微调,得到人脸合成图检测模型。
根据本公开的另一方面,提供了一种人脸合成图检测装置,包括:
输入模块,用于将待检测RGB图像输入人脸合成图检测模型,其中,所述人脸合成图检测模型是根据本公开任意实施例所述的人脸合成图检测模型的训练装置训练得到;
获取模块,用于获取所述人脸合成图检测模型输出的第一预测值;
检测模块,用于如果所述第一预测值高于第一阈值,则确定所述待检测RGB图像为真实人脸图像。
根据本公开的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开任意实施例所述的人脸合成图检测模型的训练方法和人脸合成图检测方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使计算机执行本公开任意实施例所述的人脸合成图检测模型的训练方法和人脸合成图检测方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开实施例的一种人脸合成图检测模型的训练方法的示意图;
图2是根据本公开实施例的另一种人脸合成图检测模型的训练方法的示意图;
图3是根据本公开实施例的另一种人脸合成图检测模型的训练方法的示意图;
图4是根据本公开实施例的一种人脸合成图检测方法的示意图;
图5是根据本公开实施例的另一种人脸合成图检测方法的示意图;
图6是根据本公开实施例的人脸合成图检测模型的训练装置的结构示意图;
图7是根据本公开实施例的人脸合成图检测装置的结构示意图;
图8是用来实现本公开实施例的人脸合成图检测模型的训练方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本公开实施例的一种人脸合成图检测模型的训练方法的示意图,本实施例可适用于检测图像中的人脸是否是合成图的情况,涉及人工智能技术领域,尤其涉及计算机视觉、深度学习、人脸识别等技术领域,可应用于智慧城市、智慧金融等场景。该方法可由一种人脸合成图检测模型的训练装置来执行,该装置采用软件和/或硬件的方式实现,优选是配置于电子设备中,例如计算机设备、服务器或智能终端等。如图1所示,该方法具体包括如下:
S101、利用RGB人脸图像的训练数据集,训练得到用于检测人脸合成图的预训练模型,其中,预训练模型包括嵌入层、主干网络和分类层。
S102、获取RGB人脸图像对应的频域人脸图像,得到频域人脸图像的训练数据集。
S103、在主干网络中***可学习的指令微调参数,利用频域人脸图像的训练数据集对***指令微调参数的预训练模型进行指令微调,得到人脸合成图检测模型。
具体的,本公开实施例的训练方法包括两个阶段的训练过程。第一个阶段为预训练,第二个阶段为指令微调。预训练阶段采用的训练数据是RGB人脸图像数据,指令微调阶段采用的训练数据是RGB人脸图像对应的频域人脸图像。
RGB人脸图像的训练数据集包括真实的RGB人脸图像和合成的RGB人脸图像,真实的RGB人脸图像作为正样本,合成的RGB人脸图像作为负样本。预训练时,将训练数据集中的RGB人脸图像输入预训练模型,通过嵌入层(Embedding Layer)获取RGB人脸图像的嵌入向量,主干网络根据嵌入向量对RGB人脸图像进行特征提取,得到RGB人脸图像的图像特征,然后分类层对图像特征进行分类,输出针对RGB人脸图像是否为真实人脸图像的预测结果,根据该预测结果与预先标注的真值计算二分类交叉熵损失,通过该损失对模型中的网络参数进行优化。
由于图像的频域信息也可以对检测人脸合成图进行辅助判断,因此,本公开实施例中在得到预训练模型后,进一步获取RGB人脸图像对应的频域人脸图像的训练数据集,利用频域人脸图像的训练数据集对预训练模型进行指令微调。具体的,先在主干网络中***可学习的指令微调参数,然后将频域人脸图像的训练数据集输入***了指令微调参数的预训练模型,通过监督训练的方式来优化指令微调参数。指令微调后得到的人脸合成图检测模型的主干网络与预训练模型中的主干网络相比,其网络参数中多了指令微调参数,从而使得通过指令微调后的人脸合成图检测模型在对输入的RGB人脸图像进行人脸合成图检测时,可以同时考虑到RGB人脸图像的频域信息,继而提高检测的精度。
需要说明的是,有一些现有技术并没有考虑到图像频域带来的信息,导致检测精度欠佳,还有一些现有技术采用将RGB图像特征和频域特征融合或者结果投票的方式进行检测,造成对频域信息的过度依赖,但由于图像中的频域信息并没有RGB信息丰富,过度依赖频域信息的检测精度同样不理想。而本公开实施例的技术方案中,是先利用RGB人脸图像的训练数据集进行预训练,然后利用与RGB人脸图像对应的频域人脸图像的训练数据集对预训练模型进行指令微调,通过指令微调的方式来融合频域信息,让图像的频域信息也可以对人脸合成图检测进行辅助判断,但又不过度依赖频域信息,从而提升检测的准确率和泛化性,有效地防住人脸合成攻击,提升人脸合成图检测的防御效果。
在一种实施方式中,可以使用ViT(Vision Transformer)作为模型的主干网络进行图像特征提取。主干网络例如可以包括多个编码器层,因此,具体可以是在主干网络的至少一个编码器层***可学习的指令微调参数。例如,若在主干网络的第一层编码器层***指令微调参数,那么***的指令微调参数与嵌入层输出的嵌入向量一起作为第一层编码器层进行特征编码的依据;若在主干网络的任意目标编码器层***指令微调参数,那么***的指令微调参数与该目标编码器层前一层的输出一起作为该目标编码器层进行特征编码的依据。另外,指令微调参数可以是以向量的形式***主干网络。在***指令微调参数时,本公开实施例不对指令微调参数的向量长短进行限定,具体可根据主干网络的结构以及实际场景的需要进行配置。
在一种实施方式中,在指令微调的过程中,可以固化嵌入层的参数以及主干网络中除指令微调参数以外的其他参数。这样,可以保留预训练模型在第一阶段的训练成果,然后再通过指令微调过程实现在RGB图像信息尽可能不丢失的情况下再结合频域信息作为补充,以提高人脸合成图检测模型的检测精度。
在指令微调的过程中,可以采用二分类监督的方式进行训练。具体包括:获取***指令微调参数后的预训练模型对频域人脸图像的第一检测结果;根据第一检测结果和预先标注的真值,对***指令微调参数后的预训练模型进行二分类监督。也即,将频域人脸图像输入***指令微调参数后的预训练模型,利用模型进行预测并获取其输出的第一检测结果,然后根据该第一检测结果和预先标注的真值计算损失,如二分类交叉熵损失,通过该损失来监督模型,优化模型参数,使得模型具备分辨合成人脸图的能力,同时也能考虑到频域信息作为辅助,提高模型的训练效果。
此外,在二分类监督的同时,指令微调的过程还可以采用特征蒸馏的方式同时进行监督。具体包括:获取未***指令微调参数的预训练模型,对与频域人脸图像对应的RGB人脸图像的第二检测结果;根据第一检测结果和第二检测结果,对***指令微调参数后的预训练模型进行特征蒸馏。也即,每个RGB人脸图像和与之对应的频域人脸图像可以组成训练数据对。第二检测结果是未***指令微调参数的预训练模型对RGB人脸图像的检测结果,第一检测结果是***指令微调参数后的预训练模型对训练数据对中频域人脸图像的检测结果,根据第一检测结果和第二检测结果计算损失,如L1损失,通过该损失来监督模型,优化模型参数。由此,通过特征蒸馏的方式使得RGB图像原本的特征不被遗忘。
作为本公开实施例,指令微调的过程采用二分类监督和特征蒸馏同时进行监督,使得RGB图像原本的特征不被遗忘,同时,指令微调后的人脸合成图检测模型在具备识别RGB人脸图像特征的基础上,还可以获取频域特征作为辅助信息,但又不依赖频域信息,从而提高模型预测人脸图像是否是真实图像的精确度。
图2是根据本公开实施例的另一种人脸合成图检测模型的训练方法的示意图,本实施例在上述实施例的基础上进一步进行优化。如图2所示,该方法具体包括如下:
S201、对包含人脸的RGB原始图像数据集进行人脸关键点检测,获取每个RGB原始图像的人脸关键点坐标值。
S202、根据人脸关键点坐标值对与之对应的RGB原始图像中的目标人脸进行人脸对齐,确定目标人脸的中心位置和旋转角。
S203、根据中心位置和旋转角,通过仿射变换从RGB原始图像中按照设定尺寸截取目标人脸的图像。
S204、根据每个RGB原始图像的目标人脸的图像,得到RGB人脸图像的训练数据集。
S205、利用RGB人脸图像的训练数据集,训练得到用于检测人脸合成图的预训练模型,其中,预训练模型包括嵌入层、主干网络和分类层。
S206、获取RGB人脸图像对应的频域人脸图像,得到频域人脸图像的训练数据集。
S207、在主干网络中***可学习的指令微调参数,利用频域人脸图像的训练数据集对***指令微调参数的预训练模型进行指令微调,得到人脸合成图检测模型。
其中,RGB原始图像中包含人脸图像,但是该人脸图像有可能存在位姿不正的情况,为了提升模型训练的效果,需要对RGB原始图像数据集进行预处理,从中获取位姿正确的RGB人脸图像作为模型的训练数据。
首先,获取每个RGB原始图像的人脸关键点坐标值。在一种实施方式中,可以利用预先训练的人脸关键点识别模型获取输入的每个RGB原始图像的人脸关键点坐标值;在另一种实施方式中,也可以先利用预先训练的人脸识别模型对包含人脸的RGB原始图像进行人脸检测,获取人脸区域图像,然后再利用预先训练的关键点识别模型对人脸区域图像进行人脸关键点识别,获取人脸关键点的坐标值。上述用于识别人脸区域和人脸关键点的模型可以利用现有技术实现,此处不再赘述。
然后,根据人脸关键点坐标值对与之对应的RGB原始图像中的目标人脸进行人脸对齐,确定目标人脸的中心位置和旋转角。也即,使用人脸关键点坐标值在RGB原始图像中确定目标人脸所在的区域的中心位置和旋转角。接着,根据中心位置和旋转角,通过仿射变换从RGB原始图像中按照设定尺寸截取目标人脸的图像。最后根据每个RGB原始图像的目标人脸的图像,得到RGB人脸图像的训练数据集。通过仿射变换可以将RGB原始图像中姿态不正确的人脸图像变换到正确的位置。同时,在截取图像时按照设定尺寸截取,使得训练数据集中的RGB人脸图像具有统一的尺寸,便于模型进行处理,提升训练效果。
此外,在得到RGB人脸图像的训练数据集之前,还可以对目标人脸的图像的每个像素值进行归一化,例如,将每个像素的像素值先减128再除以256,使每个像素的像素值在[-0.5,0.5]之间,通过归一化处理的训练数据,可以降低模型处理的偏差。然后,再对归一化后得到的图像进行数据增强,扩充训练数据,最终得到人脸位姿正确、统一尺寸且归一化的RGB人脸图像的训练数据集,为提升模型的训练效果做出数据准备。
图3是根据本公开实施例的另一种人脸合成图检测模型的训练方法的示意图。如图所示,在本公开实施例的技术方案中,首先,将包含真实人脸的RGB人脸图像作为正样本,将经换脸后的合成人脸图像作为负样本,并构成RGB人脸图像的训练数据集,同时,所有的样本均用傅里叶变换得到与之对应的频域图像,一张RGB人脸图像与其对应的频域图像可以构成一个RGB人脸图像-频域图像对。
然后,对训练集中每张图像进行图像处理。先通过人脸检测模型对人脸进行检测,得到人脸区域图像,再通过RGB人脸关键点检测模型检测得到人脸区域图像中人脸的关键点坐标值,例如,可以得到72个人脸关键点坐标,分别为(x1,y1)……(x72,y72)。然后根据人脸的关键点坐标值对RGB图像的目标人脸进行人脸对齐,同时通过仿射变换截取仅包含人脸区域的图像,并调整到相同尺存,如224x224。
在人脸对齐操作后,还可以进一步进行预处理。包括归一化和数据增强。即,先分别对RGB人脸图像区域进行图像归一化处理,然后将归一化处理后的图像进行随机数据增强处理,如随机翻转、随机缩放、颜色扰动等数据增强方法,以丰富训练数据集。
特征提取网络使用ViT-base作为人脸合成图检测的主干网路,训练流程共有两个阶段。第一阶段,是预训练阶段。使用训练数据集中的RGB人脸图像进行模型训练,取网络最后输出的token(如cls_token_i)进行预测,根据预测结果和标注真值计算二分类交叉熵损失,从而优化网络,通过第一阶段的预训练,使模型具有对RGB人脸合成图鉴别的能力,得到预训练好的模型M。第二阶段,是指令微调阶段。在M的基础上增加prompt(指令微调参数)得到M',并将训练好的M的嵌入层和主干网络中已训练的参数固定住,加入频域图像对***prompt后的模型进行训练,取网络最后的token(如cls_token_f)进行预测,并采用二分类监督和特征蒸馏同时进行监督。其中,二分类监督即取网络最后输出的cls_token_f进行预测,根据该预测结果与标注真值计算二分类交叉熵损失。特征蒸馏的具体做法为:用频域图像输入到M'(***prompt)得到cls_token_f,将对应的RGB人脸图像输入M(未***prompt)得到cls_token_i,根据cls_token_i和cls_token_f的预测结果计算L1损失,从而实现特征蒸馏。
可见,本公开实施例的技术方案,在完成RGB图像训练后再利用prompt tuning(指令微调)的方式融合频域信息,在RGB图像信息尽可能不丢失的情况下结合频域补充信息来监督模型,使得最终得到的人脸合成图检测模型的检测准确率和泛化性得以提升,有效的防住人脸合成攻击,提升人脸合成图检测算法的防御效果。
图4是根据本公开实施例的一种人脸合成图检测方法的示意图。本实施例可适用于检测图像中的人脸是否是合成图的情况,涉及人工智能技术领域,人工智能技术领域,尤其涉及计算机视觉、深度学习、人脸识别等技术领域。该方法可由一种人脸合成图检测装置来执行,该装置采用软件和/或硬件的方式实现,优选是配置于电子设备中,例如计算机设备、服务器或智能终端等。如图4所示,该方法具体包括如下:
S401、将待检测RGB图像输入人脸合成图检测模型,其中,人脸合成图检测模型是根据本公开任意实施例所述的人脸合成图检测模型的训练方法训练得到。
S402、获取人脸合成图检测模型输出的第一预测值。
S403、如果第一预测值高于第一阈值,则确定待检测RGB图像为真实人脸图像。
其中,待检测RGB图像可以是经人脸区域检测、人脸关键点检测、人脸对齐和仿射变换后截取到的图像,以提高后续检测精度。
将待检测RGB图像输入人脸合成图检测模型,人脸合成图检测模型对待检测RGB图像进行特征提取并预测其为真实人脸图像的概率,得到第一预测值。第一阈值是预先配置的阈值,若第一预测值高于第一阈值,则确定待检测RGB图像为真实人脸图像。由于人脸合成图检测模型是根据本公开任意实施例所述的人脸合成图检测模型的训练方法训练得到,其不进可以利用RGB图像的信息进行预测,还可以利用图像中的频域进行作为预测的辅助信息,因此,可以提高最终检测结果的准确性。
在一种实施方式中,还预先配置有第二阈值,第二阈值低于第一阈值,那么如果第一预测值低于第二阈值,则确定待检测RGB图像为合成人脸图像。此外,如果第一预测值位于第二阈值和第一阈值之间,则进一步获取待检测RGB图像的待检测频域图像,将待检测频域图像输入人脸合成图检测模型,并获取人脸合成图检测模型输出的第二预测值,根据第二预测值和第三阈值,确定待检测RGB图像是否为真实人脸图像。也即,当根据RGB图像无法获取准确的预测结果,则根据与之对应的频域图像进行预测,并与第三阈值进行比较,如果高于第三阈值,则确定待检测RGB图像为真实人脸图像,反之则为合成人脸图像。
图5是根据本公开实施例的另一种人脸合成图检测方法的示意图,如图5所示,在进行人脸合成图检测时,采用了协同推理的方式,将经预处理后的RGB图像输入到训练好的人脸合成图检测模型M'中,得到真人预测分数R,并设置高低阈值分别为t1、t2,若R>t1,则判断为真人,若R<t2,则判断为合成图攻击,若t1>R>t2,则利用人脸合成图检测模型M'进行对应频域图像的推理得到分数Q,若Q大于第三阈值(如0.5),则判断为真人,若Q小于第三阈值则判断为合成图攻击。
因此,本公开实施例的技术方案,在完成RGB图像训练后利用prompt tuning的方式融合频域信息,在RGB图像信息尽可能不丢失的情况下结合频域补充信息,最后使用协同推理的后处理方法,当RGB图像结果置信度高于阈值,则不进行频域图像的预测,提高了算法效率的同时也进一步减小频域信息对RGB信息的干扰,大大的提升了算法模型的准确率和泛化性,有效的防住人脸合成攻击,提升人脸合成图检测算法的防御效果,可以应用于人脸识别领域的考勤、门禁、安防、金融支付等诸多应用。
图6是根据本公开实施例的人脸合成图检测模型的训练装置的结构示意图。本实施例可适用于检测图像中的人脸是否是合成图的情况,涉及人工智能技术领域,尤其涉及计算机视觉、深度学习、人脸识别等技术领域,可应用于智慧城市、智慧金融等场景。如图6所示,该装置600具体包括:
预训练模块601,用于利用RGB人脸图像的训练数据集,训练得到用于检测人脸合成图的预训练模型,其中,所述预训练模型包括嵌入层、主干网络和分类层;
频域图像转换模块602,用于获取所述RGB人脸图像对应的频域人脸图像,得到频域人脸图像的训练数据集;
指令微调模块603,用于在所述主干网络中***可学习的指令微调参数,利用所述频域人脸图像的训练数据集对***所述指令微调参数的预训练模型进行指令微调,得到人脸合成图检测模型。
可选的,所述主干网络包括多个编码器层;
所述指令微调模块具体用于:在所述主干网络的至少一个编码器层***可学习的指令微调参数。
可选的,在所述指令微调的过程中,固化所述嵌入层的参数以及所述主干网络中除所述指令微调参数以外的其他参数。
可选的,所述指令微调模块包括第一微调子模块,所述第一微调子模块包括:
第一检测结果获取单元,用于获取***所述指令微调参数后的预训练模型对所述频域人脸图像的第一检测结果;
二分类监督单元,用于根据所述第一检测结果和预先标注的真值,对***所述指令微调参数后的预训练模型进行二分类监督。
可选的,所述指令微调模块包括第二微调子模块,所述第二微调子模块包括:
第二检测结果获取单元,用于获取未***所述指令微调参数的预训练模型,对与所述频域人脸图像对应的RGB人脸图像的第二检测结果;
特征蒸馏单元,用于根据所述第一检测结果和所述第二检测结果,对***所述指令微调参数后的预训练模型进行特征蒸馏。
可选的,所述RGB人脸图像的训练数据集包括真实的RGB人脸图像和合成的RGB人脸图像。
可选的,所述装置还包括预处理模块,所述预处理模块包括:
人脸关键点检测单元,用于在所述预训练模块训练得到用于检测人脸合成图的预训练模型之前,对包含人脸的RGB原始图像数据集进行人脸关键点检测,获取每个RGB原始图像的人脸关键点坐标值;
人脸对齐单元,用于根据所述人脸关键点坐标值对与之对应的RGB原始图像中的目标人脸进行人脸对齐,确定所述目标人脸的中心位置和旋转角;
仿射变换单元,用于根据所述中心位置和旋转角,通过仿射变换从所述RGB原始图像中按照设定尺寸截取所述目标人脸的图像;
训练数据集确定单元,用于根据所述每个RGB原始图像的所述目标人脸的图像,得到所述RGB人脸图像的训练数据集。
可选的,所述训练数据集确定单元包括:
归一化子单元,用于对所述目标人脸的图像的每个像素值进行归一化;
数据增强子单元,用于对归一化后得到的图像进行数据增强,得到所述RGB人脸图像的训练数据集。
图7是根据本公开实施例的人脸合成图检测装置的结构示意图,本实施例可适用于检测图像中的人脸是否是合成图的情况,涉及人工智能技术领域,尤其涉及计算机视觉、深度学习、人脸识别等技术领域。如图7所示,该装置700具体包括:
输入模块701,用于将待检测RGB图像输入人脸合成图检测模型,其中,所述人脸合成图检测模型是根据权利要求12-19中任一项所述的人脸合成图检测模型的训练装置训练得到;
获取模块702,用于获取所述人脸合成图检测模型输出的第一预测值;
检测模块703,用于如果所述第一预测值高于第一阈值,则确定所述待检测RGB图像为真实人脸图像。
可选的,所述检测模块还用于:
如果所述第一预测值低于第二阈值,则确定所述待检测RGB图像为合成人脸图像。
可选的,所述装置还包括协同推理模块,所述协同推理模块包括:
待检测频域图像获取单元,用于如果所述第一预测值位于所述第二阈值和所述第一阈值之间,则获取所述待检测RGB图像的待检测频域图像;
第二预测值获取单元,用于将所述待检测频域图像输入所述人脸合成图检测模型,并获取所述人脸合成图检测模型输出的第二预测值;
推理单元,用于根据所述第二预测值和第三阈值,确定所述待检测RGB图像是否为真实人脸图像。
上述产品可执行本公开任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如人脸合成图检测模型的训练方法。例如,在一些实施例中,人脸合成图检测模型的训练方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的人脸合成图检测模型的训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行人脸合成图检测模型的训练方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式***的服务器,或者是结合了区块链的服务器。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术及机器学习/深度学习技术、大数据处理技术、知识图谱技术等几大方向。
云计算(cloud computing),指的是通过网络接入弹性可扩展的共享物理或虚拟资源池,资源可以包括服务器、操作***、网络、软件、应用和存储设备等,并可以按需、自服务的方式对资源进行部署和管理的技术体系。通过云计算技术,可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。
此外,根据本公开的实施例,本公开还提供了另一种电子设备、另一种可读存储介质和另一种计算机程序产品,用于执行本公开任意实施例所述的人脸合成图检测方法的一个或多个步骤。其具体的结构和程序代码可参见如图8所示的实施例的内容描述,此处不再赘述。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开提供的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (25)
1.一种人脸合成图检测模型的训练方法,包括:
利用RGB人脸图像的训练数据集,训练得到用于检测人脸合成图的预训练模型,其中,所述预训练模型包括嵌入层、主干网络和分类层;
获取所述RGB人脸图像对应的频域人脸图像,得到频域人脸图像的训练数据集;
在所述主干网络中***可学习的指令微调参数,利用所述频域人脸图像的训练数据集对***所述指令微调参数的预训练模型进行指令微调,得到人脸合成图检测模型。
2.根据权利要求1所述的方法,其中,所述主干网络包括多个编码器层;
所述在所述主干网络中***可学习的指令微调参数,包括:
在所述主干网络的至少一个编码器层***可学习的指令微调参数。
3.根据权利要求1或2所述的方法,其中,在所述指令微调的过程中,固化所述嵌入层的参数以及所述主干网络中除所述指令微调参数以外的其他参数。
4.根据权利要求3所述的方法,其中,所述指令微调的过程包括:
获取***所述指令微调参数后的预训练模型对所述频域人脸图像的第一检测结果;
根据所述第一检测结果和预先标注的真值,对***所述指令微调参数后的预训练模型进行二分类监督。
5.根据权利要求4所述的方法,其中,所述指令微调的过程还包括:
获取未***所述指令微调参数的预训练模型,对与所述频域人脸图像对应的RGB人脸图像的第二检测结果;
根据所述第一检测结果和所述第二检测结果,对***所述指令微调参数后的预训练模型进行特征蒸馏。
6.根据权利要求1所述的方法,其中,所述RGB人脸图像的训练数据集包括真实的RGB人脸图像和合成的RGB人脸图像。
7.根据权利要求1所述的方法,其中,在所述训练得到用于检测人脸合成图的预训练模型之前,所述方法还包括:
对包含人脸的RGB原始图像数据集进行人脸关键点检测,获取每个RGB原始图像的人脸关键点坐标值;
根据所述人脸关键点坐标值对与之对应的RGB原始图像中的目标人脸进行人脸对齐,确定所述目标人脸的中心位置和旋转角;
根据所述中心位置和旋转角,通过仿射变换从所述RGB原始图像中按照设定尺寸截取所述目标人脸的图像;
根据所述每个RGB原始图像的所述目标人脸的图像,得到所述RGB人脸图像的训练数据集。
8.根据权利要求7所述的方法,其中,所述根据所述每个RGB原始图像的所述目标人脸的图像,得到所述RGB人脸图像的训练数据集,包括:
对所述目标人脸的图像的每个像素值进行归一化;
对归一化后得到的图像进行数据增强,得到所述RGB人脸图像的训练数据集。
9.一种人脸合成图检测方法,包括:
将待检测RGB图像输入人脸合成图检测模型,其中,所述人脸合成图检测模型是根据权利要求1-8中任一项所述的人脸合成图检测模型的训练方法训练得到;
获取所述人脸合成图检测模型输出的第一预测值;
如果所述第一预测值高于第一阈值,则确定所述待检测RGB图像为真实人脸图像。
10.根据权利要求9所述的方法,还包括:
如果所述第一预测值低于第二阈值,则确定所述待检测RGB图像为合成人脸图像。
11.根据权利要求10所述的方法,还包括:
如果所述第一预测值位于所述第二阈值和所述第一阈值之间,则获取所述待检测RGB图像的待检测频域图像;
将所述待检测频域图像输入所述人脸合成图检测模型,并获取所述人脸合成图检测模型输出的第二预测值;
根据所述第二预测值和第三阈值,确定所述待检测RGB图像是否为真实人脸图像。
12.一种人脸合成图检测模型的训练装置,包括:
预训练模块,用于利用RGB人脸图像的训练数据集,训练得到用于检测人脸合成图的预训练模型,其中,所述预训练模型包括嵌入层、主干网络和分类层;
频域图像转换模块,用于获取所述RGB人脸图像对应的频域人脸图像,得到频域人脸图像的训练数据集;
指令微调模块,用于在所述主干网络中***可学习的指令微调参数,利用所述频域人脸图像的训练数据集对***所述指令微调参数的预训练模型进行指令微调,得到人脸合成图检测模型。
13.根据权利要求12所述的装置,其中,所述主干网络包括多个编码器层;
所述指令微调模块具体用于:在所述主干网络的至少一个编码器层***可学习的指令微调参数。
14.根据权利要求12或13所述的装置,其中,在所述指令微调的过程中,固化所述嵌入层的参数以及所述主干网络中除所述指令微调参数以外的其他参数。
15.根据权利要求14所述的装置,其中,所述指令微调模块包括第一微调子模块,所述第一微调子模块包括:
第一检测结果获取单元,用于获取***所述指令微调参数后的预训练模型对所述频域人脸图像的第一检测结果;
二分类监督单元,用于根据所述第一检测结果和预先标注的真值,对***所述指令微调参数后的预训练模型进行二分类监督。
16.根据权利要求15所述的装置,其中,所述指令微调模块包括第二微调子模块,所述第二微调子模块包括:
第二检测结果获取单元,用于获取未***所述指令微调参数的预训练模型,对与所述频域人脸图像对应的RGB人脸图像的第二检测结果;
特征蒸馏单元,用于根据所述第一检测结果和所述第二检测结果,对***所述指令微调参数后的预训练模型进行特征蒸馏。
17.根据权利要求12所述的装置,其中,所述RGB人脸图像的训练数据集包括真实的RGB人脸图像和合成的RGB人脸图像。
18.根据权利要求12所述的装置,还包括预处理模块,所述预处理模块包括:
人脸关键点检测单元,用于在所述预训练模块训练得到用于检测人脸合成图的预训练模型之前,对包含人脸的RGB原始图像数据集进行人脸关键点检测,获取每个RGB原始图像的人脸关键点坐标值;
人脸对齐单元,用于根据所述人脸关键点坐标值对与之对应的RGB原始图像中的目标人脸进行人脸对齐,确定所述目标人脸的中心位置和旋转角;
仿射变换单元,用于根据所述中心位置和旋转角,通过仿射变换从所述RGB原始图像中按照设定尺寸截取所述目标人脸的图像;
训练数据集确定单元,用于根据所述每个RGB原始图像的所述目标人脸的图像,得到所述RGB人脸图像的训练数据集。
19.根据权利要求18所述的装置,其中,所述训练数据集确定单元包括:
归一化子单元,用于对所述目标人脸的图像的每个像素值进行归一化;
数据增强子单元,用于对归一化后得到的图像进行数据增强,得到所述RGB人脸图像的训练数据集。
20.一种人脸合成图检测装置,包括:
输入模块,用于将待检测RGB图像输入人脸合成图检测模型,其中,所述人脸合成图检测模型是根据权利要求12-19中任一项所述的人脸合成图检测模型的训练装置训练得到;
获取模块,用于获取所述人脸合成图检测模型输出的第一预测值;
检测模块,用于如果所述第一预测值高于第一阈值,则确定所述待检测RGB图像为真实人脸图像。
21.根据权利要求20所述的装置,其中,所述检测模块还用于:
如果所述第一预测值低于第二阈值,则确定所述待检测RGB图像为合成人脸图像。
22.根据权利要求21所述的装置,还包括协同推理模块,所述协同推理模块包括:
待检测频域图像获取单元,用于如果所述第一预测值位于所述第二阈值和所述第一阈值之间,则获取所述待检测RGB图像的待检测频域图像;
第二预测值获取单元,用于将所述待检测频域图像输入所述人脸合成图检测模型,并获取所述人脸合成图检测模型输出的第二预测值;
推理单元,用于根据所述第二预测值和第三阈值,确定所述待检测RGB图像是否为真实人脸图像。
23.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-8中任一项所述的人脸合成图检测模型的训练方法,和权利要求9-11中任一项所述的人脸合成图检测方法。
24.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使计算机执行根据权利要求1-8中任一项所述的人脸合成图检测模型的训练方法,和权利要求9-11中任一项所述的人脸合成图检测方法。
25.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的人脸合成图检测模型的训练方法,和权利要求9-11中任一项所述的人脸合成图检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311766228.7A CN117746515A (zh) | 2023-12-20 | 2023-12-20 | 检测模型的训练方法、检测方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311766228.7A CN117746515A (zh) | 2023-12-20 | 2023-12-20 | 检测模型的训练方法、检测方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117746515A true CN117746515A (zh) | 2024-03-22 |
Family
ID=90278915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311766228.7A Pending CN117746515A (zh) | 2023-12-20 | 2023-12-20 | 检测模型的训练方法、检测方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117746515A (zh) |
-
2023
- 2023-12-20 CN CN202311766228.7A patent/CN117746515A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11436739B2 (en) | Method, apparatus, and storage medium for processing video image | |
CN109325964B (zh) | 一种人脸追踪方法、装置及终端 | |
CN113191256B (zh) | 车道线检测模型的训练方法、装置、电子设备及存储介质 | |
CN113361363A (zh) | 人脸图像识别模型的训练方法、装置、设备及存储介质 | |
CN113947188A (zh) | 目标检测网络的训练方法和车辆检测方法 | |
CN113591736A (zh) | 特征提取网络、活体检测模型的训练方法和活体检测方法 | |
CN114549904B (zh) | 视觉处理及模型训练方法、设备、存储介质及程序产品 | |
US20230245429A1 (en) | Method and apparatus for training lane line detection model, electronic device and storage medium | |
CN113920158A (zh) | 跟踪模型的训练与交通对象跟踪方法、装置 | |
CN116758280A (zh) | 目标检测方法、装置、设备以及存储介质 | |
CN115249281B (zh) | 图像遮挡和模型训练方法、装置、设备以及存储介质 | |
CN115761698A (zh) | 一种目标检测方法、装置、设备及存储介质 | |
CN117746515A (zh) | 检测模型的训练方法、检测方法、装置、设备和介质 | |
CN113936158A (zh) | 一种标签匹配方法及装置 | |
CN114067394A (zh) | 人脸活体检测方法、装置、电子设备及存储介质 | |
CN114612971A (zh) | 人脸检测方法、模型训练方法、电子设备及程序产品 | |
CN113901901A (zh) | 图像处理模型的训练方法、装置、电子设备和介质 | |
CN113033431A (zh) | 光学字符识别模型训练和识别方法、装置、设备及介质 | |
CN116258769B (zh) | 一种定位校验方法、装置、电子设备和存储介质 | |
CN115205939B (zh) | 人脸活体检测模型训练方法、装置、电子设备及存储介质 | |
CN113806361B (zh) | 电子监控设备与道路的关联方法、装置及存储介质 | |
CN113012439B (zh) | 车辆检测方法、装置、设备和存储介质 | |
CN114581751B (zh) | 图像识别模型的训练方法和图像识别方法、装置 | |
CN116704620A (zh) | 一种活体检测方法、装置、电子设备和存储介质 | |
CN116051919A (zh) | 对比学习模型的训练方法及装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |