假商品样本图像生成方法、相关装置及存储介质与流程

1.本技术涉及人工智能技术领域，尤其涉及一种假商品样本图像生成方法、相关装置及存储介质。


背景技术：

2.随着经济的发展，人们可以在市场上买到各种各样的商品，有不法分子为了利益，会对商品进行伪造，伪造的商品流入市场将会损害购买者的利益。
3.伪造的商品在外观上与真商品存在细微区别，为此，可以提供一种商品真假识别网络模型，为购买者或者执法人员提供真假商品的鉴别手段，但是，由于假样本的数量比较少，导致商品真假识别网络模型的识别准确率较低，有时会将假商品识别为真商品。
4.为了解决上述问题，最直接的方法就是增加假商品的样本，从而对真假商品识别模型进行进一步的训练，提高模型识别的准确率，但在现实中，只有缴获了假商品才能得到假商品样本，假商品样本的数量非常少。


技术实现要素：

5.本技术实施例提供了一种假商品样本图像生成方法、相关装置及存储介质，可以增加假商品样本的数量。
6.第一方面，本技术实施例提供了一种假商品样本图像生成方法，其包括：
7.将已有的目标假商品样本图像输入预设的商品真假识别网络模型中进行反向求导，得到所述目标假商品样本图像中每个像素点的梯度值；
8.从所述目标假商品样本图像中确定目标像素点，所述目标像素点为所述梯度值的绝对值大于第一阈值的像素点；
9.在所述目标假商品样本图像中，根据第二阈值以及所述目标像素点对应的梯度值对所述目标像素点的像素值进行调整，得到候选假商品样本图像；
10.将所述候选假商品样本图像输入所述商品真假识别网络模型中进行真假识别处理，得到识别结果；
11.若所述识别结果为假商品，则将所述候选假商品样本图像作为所述目标假商品样本图像，直至所述识别结果为真商品，则将所述候选假商品样本图像确定为新假商品样本图像；
12.若所述识别结果为真商品，则将所述候选假商品样本图像确定为新假商品样本图像。
13.在一些实施例中，所述将已有的目标假商品样本图像输入预设的商品真假识别网络模型中进行反向求导，得到所述目标假商品样本图像中每个像素点的梯度值，包括：
14.获取所述目标假商品样本图像；
15.确定所述目标假商品样本图像的目标区域图像；
16.将所述目标区域图像输入所述真假商品识别网络模型中进行反向求导，得到所述
目标区域图像中每个像素点的梯度值。
17.第二方面，本技术实施例还提供了一种假商品样本图像生成装置，其包括输入输出单元以及处理单元：
18.所述输入输出单元，用于将已有的目标假商品样本图像输入预设的商品真假识别网络模型中并通过所述处理单元进行反向求导，得到所述目标假商品样本图像中每个像素点的梯度值；
19.所述处理单元，还用于从所述目标假商品样本图像中确定目标像素点，所述目标像素点为所述梯度值的绝对值大于第一阈值的像素点；在所述目标假商品样本图像中，根据第二阈值以及所述目标像素点对应的梯度值对所述目标像素点的像素值进行调整，得到候选假商品样本图像；
20.所述输入输出单元，还用于将所述候选假商品样本图像输入所述商品真假识别网络模型中并通过所述处理单元进行真假识别处理，得到识别结果；
21.所述处理单元，还用于若所述识别结果为假商品，则将所述候选假商品样本图像作为所述目标假商品样本图像，直至所述识别结果为真商品，则将所述候选假商品样本图像确定为新假商品样本图像；若所述识别结果为真商品，则将所述候选假商品样本图像确定为新假商品样本图像。
22.在一些实施例中，所述处理单元在实现所述根据第二阈值以及所述目标像素点对应的梯度值对所述目标像素点的像素值进行调整步骤时，具体用于：
23.若所述目标像素点对应的梯度值的绝对值大于或等于所述第二阈值，则根据所述第二阈值对所述目标像素点的像素值进行调整；
24.若所述目标像素点对应的梯度值的绝对值小于所述第二阈值，则根据所述目标像素点对应的梯度值对所述目标像素点的像素值进行调整。
25.在一些实施例中，所述处理单元在实现所述从所述目标假商品样本图像中确定目标像素点步骤时，具体用于：
26.将所述像素点中所述梯度值的绝对值大于所述第一阈值的像素点确定为中心像素点；
27.将以所述中心像素点为中心的预设区域内的像素点确定为所述目标像素点。
28.在一些实施例中，所述输入输出单元在实现所述将已有的目标假商品样本图像输入预设的商品真假识别网络模型中并通过所述处理单元进行反向求导步骤时，具体用于：
29.将所述目标假商品样本图像输入所述商品真假识别网络模型中，并通过所述处理单元进行反向求导，得到所述目标假商品样本图像转换为真商品样本图像时，各像素点的第一像素值；通过所述处理单元获取所述目标假商品样本图像中各像素点的第二像素值；将所述第一像素值与所述第二像素值的差值确定为所述梯度值。
30.在一些实施例中，所述处理单元在实现所述将所述候选假商品样本图像确定为新假商品样本图像步骤之后，还用于：
31.根据第一阈值集合调整所述第一阈值，返回执行所述从所述目标假商品样本图像中确定目标像素点的步骤。
32.在一些实施例中，所述处理单元在实现所述将所述候选假商品样本图像确定为新假商品样本图像步骤之后，还用于：
33.根据预设第二阈值集合调整所述第二阈值，返回执行所述在所述目标假商品样本图像中，根据第二阈值以及所述目标像素点对应的梯度值对所述目标像素点的像素值进行调整，得到候选假商品样本图像的步骤。
34.在一些实施例中，所述处理单元在实现所述将所述候选假商品样本图像确定为新假商品样本图像步骤之后，还用于：
35.为所述新假商品样本图像添加假商品标签；
36.根据所述新假商品样本图像对所述商品真假识别网络模型进行训练。
37.第三方面，本技术实施例还提供了一种计算机设备，其包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法。
38.第四方面，本技术实施例还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时可实现上述方法。
39.本技术实施例提供了一种假商品样本图像的生成方法、装置、计算机设备及存储介质。其中，所述方法包括：首先将已有的目标假商品样本图像输入预设的商品真假识别网络模型中进行反向求导，得到所述目标假商品样本图像中每个像素点的梯度值；然后从所述目标假商品样本图像中确定目标像素点，其中，所述目标像素点为所述梯度值的绝对值大于第一阈值的像素点；再在所述目标假商品样本图像中，根据第二阈值以及所述目标像素点对应的梯度值对所述目标像素点的像素值进行调整，得到候选假商品样本图像；并将所述候选假商品样本图像输入所述商品真假识别网络模型中进行真假识别处理，得到识别结果；若所述识别结果为假商品，则将所述候选假商品样本图像作为所述目标假商品样本图像，直至所述识别结果为真商品，则将所述候选假商品样本图像确定为新假商品样本图像；若所述识别结果为真商品，则将所述候选假商品样本图像确定为新假商品样本图像。本技术实施例可以根据已有的假商品样本图像生成新假商品样本图像，从而增加假商品样本的数量。
附图说明
40.为了更清楚地说明本技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，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。
41.图1为本技术实施例提供的假商品样本图像生成方法的应用场景示意图；
42.图2为本技术实施例提供的假商品样本图像生成方法的流程示意图；
43.图3为本技术实施例提供的假商品样本图像生成方法的子流程示意图；
44.图4为本技术实施例提供目标假商品样本图像中目标区域图像的示意图；
45.图5为本技术实施例提供假商品样本图像生成方法的一场景流程实体图；
46.图6为本技术另一实施例提供的假商品样本图像生成方法的流程示意图；
47.图7为本技术实施例提供的假商品样本图像生成装置的示意性框图；
48.图8是本技术实施例中实施假商品样本图像生成方法的实体设备的一种结构示意图；
49.图9是本技术实施例中实施假商品样本图像生成方法的手机的一种结构示意图；
50.图10是本技术实施例中实施假商品样本图像生成方法的服务器的一种结构示意图。
具体实施方式
51.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通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，都属于本技术保护的范围。
52.应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
53.还应当理解，在此本技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本技术。如在本技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
54.还应当进一步理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
55.本技术实施例提供了一种假商品样本图像生成方法、相关装置及存储介质。该方案可用于真假商品识别的场景，例如用于真假烟的识别，在一实施例中，具体地，通过该假商品样本图像生成方法得到新假烟样本图像之后，再利用该新假烟样本图像对商品真假识别网络模型进行进一步的训练，然后在手机中安装包含该商品真假识别网络模型的软件，当用户需要对获取到的烟进行真假识别时，首先可以通过该软件对该烟进行拍照，获取该烟的图片，然后再通过该软件中的商品真假识别网络模型根据该烟的图片对该烟进行真假识别，得到识别结果。
56.该假商品样本图像生成方法的执行主体可以是本技术实施例提供的假商品样本图像生成装置，或者集成了该假商品样本图像生成装置的计算机设备，其中，该假商品样本图像生成装置可以采用硬件或者软件的方式实现，该计算机设备可以为终端或服务器。
57.其中，需要特别说明的是，本技术实施例涉及的服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn、以及大数据和人工智能平台等基础云计算服务的云服务器。本技术实施例涉及的终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表、个人数字助理等，但并不局限于此。
58.请参阅图1，图1为本技术实施例提供的假商品样本图像生成方法的一种应用场景示意图。该假商品样本图像生成方法可应用于图1中的计算机设备10中，该计算机设备10首先将已有的目标假商品样本图像输入预设的商品真假识别网络模型中进行反向求导，得到所述目标假商品样本图像中每个像素点的梯度值；然后从所述目标假商品样本图像中确定目标像素点，其中，所述目标像素点为所述梯度值的绝对值大于第一阈值的像素点；再在所述目标假商品样本图像中，根据第二阈值以及所述目标像素点对应的梯度值对所述目标像素点的像素值进行调整，得到候选假商品样本图像；并将所述候选假商品样本图像输入所
述商品真假识别网络模型中进行真假识别处理，得到识别结果；若所述识别结果为假商品，则将所述候选假商品样本图像作为所述目标假商品样本图像，直至所述识别结果为真商品，则将所述候选假商品样本图像确定为新假商品样本图像；若所述识别结果为真商品，则将所述候选假商品样本图像确定为新假商品样本图像。
59.本技术实施例提供的方案涉及人工智能(artificial intelligence，ai)、机器学习(machine learning，ml)等技术，具体通过如下实施例进行说明:
60.其中，ai是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
61.ai技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础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、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
62.当用于需要训练高精度的商品真假识别网络模型时，往往需要大量的真商品样本图像以及假商品样本图像，但是由于只有缴获了假商品才能得到假商品样本，导致现有的假商品样本图像的数量非常少，而单纯靠人工设计的假商品样本图像又非常假，与真的假商品样本图像差别很大，使用这种假商品样本图像进行模型训练并不能提高模型识别的精度。
63.本技术提供了一种假商品样本图像生成方法，通过本技术可以根据现有的假商品样本图像生成新假商品样本图像，增加了假商品样本图像的数量，并且避免了人工描画假商品样本图像时假商品样本图像太假的情况发生，使用本技术得到的新假商品样本图像对模型进行训练，可以提高模型的识别精度，以下对本技术提供的假商品样本图像生成方法进行详细说明。
64.图2是本技术实施例提供的假商品样本图像生成方法的流程示意图。如图2所示，该方法包括以下步骤s110-160。
65.s110、将目标假商品样本图像输入预设的商品真假识别网络模型中进行反向求导，得到所述目标假商品样本图像中每个像素点的梯度值。
66.其中，该目标假商品样本图像为根据已有的假商品进行拍摄得到的图像，该梯度值为对应像素点对于目标假商品样本图像的真假影响，梯度值越大则表示对应像素点对商品真假的影响越大。
67.在一些实施例中，考虑到像素点的梯度值计算的复杂度或鉴别区域图像只占商品样本图像的一部分，为了计算像素点的梯度值或者提高梯度值的计算速度，可采用梯度差值计算法，或者采用局部像素点计算法。下面分别从梯度差值计算法，或者局部像素点计算法进行举例说明：
68.(1)梯度差值计算法：
69.在一些实施例中，参阅图3，步骤s110具体包括：
70.s1101、将所述目标假商品样本图像输入所述商品真假识别网络模型中进行反向
求导，得到所述目标假商品样本图像转换为真商品样本图像时，各像素点的第一像素值。
71.具体地，强制让商品真假识别网络模型将该目标假商品样本图像识别成真商品，然后进行反向推导，得到目标假商品样本图像转换为真商品样本图像时，每个像素点在真商品样本图像时的像素值。
72.s1102、获取所述目标假商品样本图像中各像素点的第二像素值。
73.具体地，获取目标假商品样本图像中每个像素点的像素值。
74.需要说明的是，本技术对步骤s111与步骤s112的执行顺序不做限定，即步骤s112还可以在步骤s111之前执行，也可以与步骤s111同时执行。
75.s1103、将所述第一像素值与所述第二像素值的差值确定为所述梯度值。
76.即，该梯度值表示目标假商品样本图像转换成真商品样本图像时，像素点需要变化的像素值。例如，如果经过商品真假识别网络模型中的反向推导，将目标假商品样本图像转换为真商品样本图像之后，某一像素点的像素值为55，而该像素点在原本的目标假商品样本图像中的像素值为10，则该像素点对应的梯度值为：55-10＝45。
77.可见，通过目标假商品样本图像对应的真商品样本图像中像素点的第一像素值以及目标假商品样本图像中的第二像素值的差值确定各像素点的梯度值，相对于直接计算得到像素点的梯度值，减低了梯度值计算的复杂度。
78.(2)局部像素点计算法：
79.在一些实施例中，步骤s110具体包括：
80.a、获取所述目标假商品样本图像。
81.b、确定所述目标假商品样本图像的目标区域图像。
82.其中，该目标区域图像为鉴别区域图像，例如图4所示。
83.c、将所述目标区域图像输入所述真假商品识别网络模型中进行反向求导，得到所述目标区域图像中每个像素点的梯度值。
84.可见，由于该目标区域图像为鉴别区域图像，而假商品识别网络模型主要根据该鉴别区域图像进行真假商品的判别，所以本技术可以忽略对目标区域图像以外的图像的计算，即本实施例中的假商品识别网络模型只需要对目标区域图像进行计算，可以提高图像的计算速度。
85.需要说明的是，步骤c中目标区域图像中每个像素点的梯度值计算方法可使用图3对应的实施例中的梯度差值计算法。
86.s120、从所述目标假商品样本图像中确定目标像素点。
87.其中，所述目标像素点为所述梯度值的绝对值大于第一阈值的像素点。例如，目标像素点为目标假商品样本图像中对真假判定结果起关键性作用或影响较大的像素点，为所述梯度值的绝对值大于第一阈值的像素点。
88.在一些实施例中，该第一阈值为梯度值阈值，例如，将目标假商品样本图像中梯度值大于该梯度值阈值的像素点确定为目标像素点，其中，该梯度值阈值可以为15个像素值，也可以为其他取值，具体此处不做限定。
89.在另一些实施例中，该第一阈值为像素点的比例，例如前20％，此时，梯度值的绝对值大于第一阈值的像素点为梯度值的绝对值最大的前20％的像素点，即此时将梯度值的绝对值最大的前20％的像素点确定为目标像素点。
90.其中，本技术只需要对目标假商品样本图像中的目标像素点进行像素值的调整，避免由于调整了目标假商品样本图像中所有像素点的像素值导致目标假商品样本图像变成真商品图像样本的情况发生。
91.在一些实施例中，虽然目标像素点通常情况下都是聚堆出现，为了保证计算的目标像素点呈区域，提高新假商品样本图像的生成速度以及假商品样本图像的“真实度”，本实施例中步骤s120包括：
92.将所述像素点中所述梯度值的绝对值大于所述第一阈值的像素点确定为中心像素点；将以所述中心像素点为中心的预设区域内的像素点确定为所述目标像素点。
93.其中，该预设区域可以为半径为5个像素点的圆形区域，也可以为其他形状，例如为一个边的边长为4个像素点的正方形区域等，预设区域的具体形状以及具体的形状大小此处不做限定。
94.可见，由于目标像素点为以中心像素点为中心的预设区域内的像素点，可以保证目标像素点呈区域出现，按区域对像素点进行处理，可以提高新假商品样本图像的生成速度。
95.s130、在所述目标假商品样本图像中，根据第二阈值以及所述目标像素点对应的梯度值对所述目标像素点的像素值进行调整，得到候选假商品样本图像。
96.其中，该第二阈值为对像素点像素值的最大调整阈值，例如第二阈值为20个像素值，则针对目标假商品样本图像中的一个像素点调整的像素值不能超过20个像素值，对某像素点向上调整不能超过20个像素值，向下调整也不能超过20个像素值。
97.一些实施例中，可根据下述步骤对所述目标像素点的像素值进行调整：
98.若所述目标像素点对应的梯度值的绝对值大于或等于所述第二阈值，则根据所述第二阈值对所述目标像素点的像素值进行调整；若所述目标像素点对应的梯度值的绝对值小于所述第二阈值，则根据所述目标像素点对应的梯度值对所述目标像素点的像素值进行调整。
99.需要说明的是，当需要根据第二阈值对目标像素点的像素值进行调整时，目标像素点像素值的调整方向与梯度值的方向一致。
100.例如，如果目标像素点对应的梯度值为+30像素值，第二阈值为20像素值，则此时，目标像素点的需要+20个像素值；如果目标像素点对应的梯度值为-30像素值，第二阈值为20像素值，则此时，目标像素点的需要-20个像素值。
101.当目标像素点对应的梯度值为+15像素值，第二阈值为20像素值时，目标像素点对应的梯度值的绝对值小于第二阈值，此时，直接根据目标像素点对应的梯度值对目标像素点进行调整，即目标像素点+15个像素值。
102.本实施例在所述目标假商品样本图像中，对所有目标像素点往“真商品”的方向进行调整，使得假商品样本图像成为更加逼真的候选假商品样本图像。
103.其中，本技术在对目标像素点的像素值进行调整时，增加了调整阈值(第二阈值)的限定，避免了调整后的目标像素点的像素值与原来相差过大，也避免候选假商品样本图像中调整后的像素点与没有被调整的像素点构成的整体失去平衡的情况发生，反而违反了得到更加逼真的候选假商品样本图像的初衷。
104.s140、将所述候选假商品样本图像输入所述商品真假识别网络模型中进行真假识
别处理，得到识别结果，若所述识别结果为假商品，则执行步骤s150；若所述识别结果为真商品，则执行步骤s160。
105.具体地，得到候选假商品样本图像之后，将该候选假商品样本图像输回至商品真假识别网络模型中，并且通过该商品真假识别网络模型对候选假商品样本图像进行真假识别处理，得到识别结果，其中，该识别结果包括真商品或假商品。
106.s150、将所述候选假商品样本图像作为所述目标假商品样本图像，并返回执行步骤s110。
107.本实施例中，如果商品真假识别网络模型识别该候选假商品样本图像的识别结果为假商品，那么则说明该商品真假识别网络模型还可以识别出该候选假商品样本图像为假商品，此时，说明还需要对该候选假商品样本图像进行进一步的处理，具体地，将所述候选假商品样本图像作为所述目标假商品样本图像，直至所述识别结果为真商品，则将所述候选假商品样本图像确定为新假商品样本图像。
108.s160、将所述候选假商品样本图像确定为新假商品样本图像。
109.如果该识别结果为真商品，则将该候选假商品样本图像确定为新假商品样本图像。
110.具体如图5所示，将目标假商品样本图像输入商品真假识别网络模型中，得到目标假商品样本图像中每个像素点的梯度值，然后根据该梯度值对目标假商品样本图像中的目标像素点的像素值进行调整，得到候选假商品样本图像(如图5所示，相对于目标假商品样本图像，候选假商品样本图像烟盒图案上的右上角多一朵花，见放大图中的花朵)，再通过商品真假识别网络模型对该候选假商品样本图像进行真假识别处理，得到识别结果，如果该识别结果为假商品，则将该候选假商品样本图像作为目标假商品样本图像，直至识别结果为真商品，则将所述候选假商品样本图像确定为新假商品样本图像；如果识别结果为真商品，则将候选假商品样本图像确定为新假商品样本图像。
111.本实施例中，如果该识别结果为真商品，则说明该候选假商品样本图像成功迷惑了商品真假识别网络模型，此时商品真假识别网络模型识别不出该候选假商品样本图像，所以本技术将该迷惑了商品真假识别网络模型的候选假商品样本图像确定为新假商品样本图像，以便后续根据该新假商品样本图像对商品真假识别网络模型进行训练，增加模型的识别准确率。
112.在一些实施例中，确定新假商品样本图像之后，将会根据预设的第一阈值集合调整所述第一阈值，并返回执行步骤s120，其中，在步骤s120中需要根据第一阈值从所述目标假商品样本图像中确定目标像素点。
113.具体地，第一阈值集合包括多个第一阈值，如包括10％、20％和30％，例如，当根据10％作为第一阈值确定了新假商品样本图像之后，将会从第一阈值集合中选取一未使用的数值替换该第一阈值，例如选取20％，再根据20％作为第一阈值确定一新假商品样本图像，然后再从第一阈值集合中选取一未使用的数值替换该第一阈值，直至替换完第一阈值集合中所有的第一阈值。
114.可见，本实施例通过调整第一阈值，即可根据一个目标假商品样本得到多个新假商品样本图像，进一步增加假商品样本的数量。
115.在一些实施例中，确定新假商品样本图像之后，还将根据预设第二阈值集合调整
所述第二阈值，并返回执行步骤s130，其中，在步骤s130中需要根据第二阈值对目标假商品样本图像中的目标像素点进行调整。
116.具体地，第二阈值集合包括多个第二阈值，如包括20个像素值、30个像素值和40个像素值，例如，当根据20个像素值作为第二阈值确定了新假商品样本图像之后，将会从第二阈值集合中选取一未使用的数值替换该第二阈值，例如选30个像素值，再根据30个像素值作为第二阈值确定一新假商品样本图像，然后再从第二阈值集合中选取一未使用的数值替换该第二阈值，直至替换完第二阈值集合中所有的第二阈值。
117.可见，本实施例还可以通过调整第一阈值，即可根据一个目标假商品样本得到多个新假商品样本图像，更进一步增加假商品样本的数量。
118.需要说明的是，本实施例中每得到一个新假商品样本图像之后，可以只调整第一阈值或第二阈值，也可以同时调整第一阈值和第二阈值，具体此处不做限定。
119.综上所述，本技术实施例可以根据已有的假商品样本图像生成新假商品样本图像，从而增加假商品样本的数量。
120.图6是本技术另一实施例提供的一种假商品样本图像生成方法的流程示意图。如图6所示，本实施例的假商品样本图像生成方法包括步骤s210-s280。其中步骤s210-s260与上述实施例中的步骤s110-s160类似，在此不再赘述。下面详细说明本实施例中所增加的步骤s270-s280。
121.s270、为所述新假商品样本图像添加假商品标签。
122.本实施例中的新假商品样本图像为根据已知的假商品样本图像得到的样本图像，故该新假商品样本图像依然为一假商品样本图像，本实施例为该新假商品样本图像添加假商品标签。
123.s280、根据所述新假商品样本图像对所述商品真假识别网络模型进行训练。
124.该商品真假识别网络模型会对该新假商品样本图像误识别，所以该商品真假识别网络模型缺乏对新假商品样本图像这类型的假商品照片进行正确识别的能力，为了提高商品真假识别网络模型的识别正确率，本实施例得到新假商品样本图像之后，还需要对该新假商品样本图像添加假商品标签，并根据添加假商品标签后的新假商品样本图像对该商品真假识别网络模型进行训练。
125.可见，本实施例得到新假商品样本图像之后，还会根据该新假商品样本图像对商品真假识别网络模型进行训练，当后续商品真假识别网络模型对具有新假商品样本图像特征的假商品图像进行识别时，可以将假商品识别出来，提高了商品真假识别网络模型的识别正确率。
126.图1至图6中任一项所对应的实施例中所提及的任一技术特征也同样适用于本技术实施例中的图7至图10所对应的实施例，后续类似之处不再赘述。
127.以上对本技术实施例中一种假商品样本图像生成方法进行说明，以下对执行上述假商品样本图像生成方法的假商品样本图像生成装置进行介绍。
128.参阅图7，如图7所示的一种假商品样本图像生成装置50的结构示意图，其可用于根据已有的假商品样本图像生成新的假商品样本图像，从而增加假商品样本图像的数量。本技术实施例中的假商品样本图像生成装置50能够实现对应于上述图1-图6任一所对应的实施例中由假商品样本图像生成装置50所执行的假商品样本图像生成方法中的步骤。假商
品样本图像生成装置50实现的功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块，所述模块可以是软件和/或硬件。所述假商品样本图像生成装置50可包括输入输出单元501和处理单元502。所述输入输出单元501和处理单元502的功能实现可参考图1-图6任一所对应的实施例中所执行的操作，此处不作赘述。
129.一些实施方式中，该输入输出单元501可用于将已有的目标假商品样本图像输入预设的商品真假识别网络模型中并通过处理单元502进行反向求导，得到所述目标假商品样本图像中每个像素点的梯度值；
130.该处理模块502可用于从所述目标假商品样本图像中确定目标像素点，所述目标像素点为所述梯度值的绝对值大于第一阈值的像素点；在所述目标假商品样本图像中，根据第二阈值以及所述目标像素点对应的梯度值对所述目标像素点的像素值进行调整，得到候选假商品样本图像；
131.所述输入输出单元501还可用于将所述候选假商品样本图像输入所述商品真假识别网络模型中并通过处理单元502进行真假识别处理，得到识别结果；
132.该处理模块502还可用于若所述识别结果为假商品，则将所述候选假商品样本图像作为所述目标假商品样本图像，直至所述识别结果为真商品，则将所述候选假商品样本图像确定为新假商品样本图像；若所述识别结果为真商品，则将所述候选假商品样本图像确定为新假商品样本图像。
133.在一些实施例中，所述处理单元502在实现所述根据第二阈值以及所述目标像素点对应的梯度值对所述目标像素点的像素值进行调整步骤时，具体用于：
134.若所述目标像素点对应的梯度值的绝对值大于或等于所述第二阈值，则根据所述第二阈值对所述目标像素点的像素值进行调整；
135.若所述目标像素点对应的梯度值的绝对值小于所述第二阈值，则根据所述目标像素点对应的梯度值对所述目标像素点的像素值进行调整。
136.在一些实施例中，所述处理单元502在实现所述从所述目标假商品样本图像中确定目标像素点步骤时，具体用于：
137.将所述像素点中所述梯度值的绝对值大于所述第一阈值的像素点确定为中心像素点；
138.将以所述中心像素点为中心的预设区域内的像素点确定为所述目标像素点。
139.在一些实施例中，所述输入输出单元501在实现所述将已有的目标假商品样本图像输入预设的商品真假识别网络模型中并通过处理单元502进行反向求导，得到所述目标假商品样本图像中每个像素点的梯度值步骤时，具体用于：
140.将所述目标假商品样本图像输入所述商品真假识别网络模型中并通过处理单元502进行反向求导，得到所述目标假商品样本图像转换为真商品样本图像时，各像素点的第一像素值；通过处理单元502获取所述目标假商品样本图像中各像素点的第二像素值；将所述第一像素值与所述第二像素值的差值确定为所述梯度值。
141.在一些实施例中，所述处理单元502在实现所述将所述候选假商品样本图像确定为新假商品样本图像步骤之后，还用于：
142.根据第一阈值集合调整所述第一阈值，返回执行所述从所述目标假商品样本图像
中确定目标像素点的步骤。
143.在一些实施例中，所述处理单元502在实现所述将所述候选假商品样本图像确定为新假商品样本图像步骤之后，还用于：
144.根据预设第二阈值集合调整所述第二阈值，返回执行所述在所述目标假商品样本图像中，根据第二阈值以及所述目标像素点对应的梯度值对所述目标像素点的像素值进行调整，得到候选假商品样本图像的步骤。
145.在一些实施例中，所述处理单元502在实现所述将所述候选假商品样本图像确定为新假商品样本图像步骤之后，还用于：
146.为所述新假商品样本图像添加假商品标签；
147.根据所述新假商品样本图像对所述商品真假识别网络模型进行训练。
148.可见，本技术中假商品样本图像生成装置50的可用于根据已有的假商品样本图像生成新假商品样本图像，从而增加假商品样本图像的数量。
149.上面从模块化功能实体的角度对本技术实施例中的假商品样本图像生成方法的假商品样本图像生成装置50进行了描述，下面从硬件处理的角度对本技术实施例中的假商品样本图像生成方法的假商品样本图像生成装置50进行描述。需要说明的是，在本技术实施例图7所示的实施例中的输入输出单元501对应的实体设备可以为输入/输出单元、收发器、射频电路、通信模块和输出接口等，处理单元502对应的实体设备可以为处理器。图7所示的假商品样本图像生成装置50可以具有如图8所示的结构，当图7所示的假商品样本图像生成装置50具有如图8所示的结构时，图8中的输入输出单元和处理器能够实现前述对应该假商品样本图像生成装置50的装置实施例提供的输入输出单元501和处理单元502相同或相似的功能，图8中的存储器存储处理器执行上述假商品样本图像生成方法时需要调用的计算机程序。
150.本技术实施例还提供了另一种假商品样本图像生成装置，如图9所示，为了便于说明，仅示出了与本技术实施例相关的部分，具体技术细节未揭示的，请参照本技术实施例方法部分。该假商品样本图像生成装置可以为包括手机、平板电脑、个人数字助理(英文全称：personal digital assistant，英文简称：pda)、销售假商品样本图像生成装置(英文全称：point of sales，英文简称：pos)、车载电脑等任意假商品样本图像生成装置，以假商品样本图像生成装置为手机为例：
151.图9示出的是与本技术实施例提供的假商品样本图像生成装置相关的手机的部分结构的框图。参考图9，手机包括：射频(英文全称：radio frequency，英文简称：rf)电路710、存储器720、输入单元730、显示单元740、传感器780、音频电路760、无线保真(英文全称：wireless-fidelity，英文简称：wi-fi)模块770、处理器780、以及电源790等部件。本领域技术人员可以理解，图9中示出的手机结构并不构成对手机的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
152.下面结合图9对手机的各个构成部件进行具体的介绍：
153.rf电路710可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，给处理器780处理；另外，将设计上行的数据发送给基站。通常，rf电路710包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(英文全称：low noise amplifier，英文简称：lna)、双工器等。此外，rf电路710还可以通过无线通信与网络
和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(英文全称：global system of mobile communication，英文简称：gsm)、通用分组无线服务(英文全称：general packet radio service，英文简称：gprs)、码分多址(英文全称：code division multiple access，英文简称：cdma)、宽带码分多址(英文全称：wideband code division multiple access,英文简称：wcdma)、长期演进(英文全称：long term evolution，英文简称：lte)、电子邮件、短消息服务(英文全称：short messaging service，英文简称：sms)等。
154.存储器720可用于存储软件程序以及模块，处理器780通过运行存储在存储器720的软件程序以及模块，从而执行手机的各种功能应用以及数据处理。存储器720可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器720可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
155.输入单元730可用于接收输入的数字或字符信息，以及产生与手机的用户设置以及功能控制有关的键信号输入。具体地，输入单元730可包括触控面板731以及其他输入设备732。触控面板731，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板731上或在触控面板731附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触控面板731可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器780，并能接收处理器780发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板731。除了触控面板731，输入单元730还可以包括其他输入设备732。具体地，其他输入设备732可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
156.显示单元740可用于显示由用户输入的信息或提供给用户的信息以及手机的各种菜单。显示单元740可包括显示面板741，可选的，可以采用液晶显示器(英文全称：liquid crystal display，英文简称：lcd)、有机发光二极管(英文全称：organic light-emitting diode,英文简称：oled)等形式来配置显示面板741。进一步的，触控面板731可覆盖显示面板741，当触控面板731检测到在其上或附近的触摸操作后，传送给处理器780以确定触摸事件的类型，随后处理器780根据触摸事件的类型在显示面板741上提供相应的视觉输出。虽然在图9中，触控面板731与显示面板741是作为两个独立的部件来实现手机的输入和输入功能，但是在某些实施例中，可以将触控面板731与显示面板741集成而实现手机的输入和输出功能。
157.手机还可包括至少一种传感器780，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板741的亮度，接近传感器可在手机移动到耳边时，关闭显示面板741和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切
换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于手机还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
158.音频电路760、扬声器761，传声器762可提供用户与手机之间的音频接口。音频电路760可将接收到的音频数据转换后的电信号，传输到扬声器761，由扬声器761转换为声音信号输出；另一方面，传声器762将收集的声音信号转换为电信号，由音频电路760接收后转换为音频数据，再将音频数据输出处理器780处理后，经rf电路710以发送给比如另一手机，或者将音频数据输出至存储器720以便进一步处理。
159.wi-fi属于短距离无线传输技术，手机通过wi-fi模块770可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图9示出了wi-fi模块770，但是可以理解的是，其并不属于手机的必须构成，完全可以根据需要在不改变申请的本质的范围内而省略。
160.处理器780是手机的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器720内的软件程序和/或模块，以及调用存储在存储器720内的数据，执行手机的各种功能和处理数据，从而对手机进行整体监控。可选的，处理器780可包括一个或多个处理单元；优选的，处理器780可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器780中。
161.手机还包括给各个部件供电的电源790(比如电池)，电源可以通过电源管理系统与处理器780逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
162.尽管未示出，手机还可以包括摄像头、蓝牙模块等，在此不再赘述。
163.在本技术实施例中，该手机所包括的处理器780还具有控制执行以上由图9所示的假商品样本图像生成装置50执行的方法流程。上述实施例中由假商品样本图像生成装置所执行的步骤可以基于该图9所示的手机结构。例如，所述处理器722通过调用存储器732中的指令，执行以下操作：
164.将已有的目标假商品样本图像输入预设的商品真假识别网络模型中进行反向求导，得到所述目标假商品样本图像中每个像素点的梯度值；
165.从所述目标假商品样本图像中确定目标像素点，所述目标像素点为所述梯度值的绝对值大于第一阈值的像素点；
166.在所述目标假商品样本图像中，根据第二阈值以及所述目标像素点对应的梯度值对所述目标像素点的像素值进行调整，得到候选假商品样本图像；
167.将所述候选假商品样本图像输入所述商品真假识别网络模型中进行真假识别处理，得到识别结果；
168.若所述识别结果为假商品，则将所述候选假商品样本图像作为所述目标假商品样本图像，直至所述识别结果为真商品，则将所述候选假商品样本图像确定为新假商品样本图像；
169.若所述识别结果为真商品，则将所述候选假商品样本图像确定为新假商品样本图像。
170.在一些实施例中，处理器722在实现所述根据第二阈值以及所述目标像素点对应的梯度值对所述目标像素点的像素值进行调整步骤时，具体实现如下步骤：
171.若所述目标像素点对应的梯度值的绝对值大于或等于所述第二阈值，则根据所述第二阈值对所述目标像素点的像素值进行调整；
172.若所述目标像素点对应的梯度值的绝对值小于所述第二阈值，则根据所述目标像素点对应的梯度值对所述目标像素点的像素值进行调整。
173.在一些实施例中，处理器722在实现所述从所述目标假商品样本图像中确定目标像素点步骤时，具体实现如下步骤：
174.将所述像素点中所述梯度值的绝对值大于所述第一阈值的像素点确定为中心像素点；
175.将以所述中心像素点为中心的预设区域内的像素点确定为所述目标像素点。
176.在一些实施例中，处理器722在实现所述将已有的目标假商品样本图像输入预设的商品真假识别网络模型中进行反向求导，得到所述目标假商品样本图像中每个像素点的梯度值步骤时，具体实现如下步骤：
177.将所述目标假商品样本图像输入所述商品真假识别网络模型中进行反向求导，得到所述目标假商品样本图像转换为真商品样本图像时，各像素点的第一像素值；
178.获取所述目标假商品样本图像中各像素点的第二像素值；
179.将所述第一像素值与所述第二像素值的差值确定为所述梯度值。
180.在一些实施例中，处理器722在实现所述将所述候选假商品样本图像确定为新假商品样本图像步骤之后，还实现如下步骤：
181.根据第一阈值集合调整所述第一阈值，返回执行所述从所述目标假商品样本图像中确定目标像素点的步骤。
182.在一些实施例中，处理器722在实现所述将所述候选假商品样本图像确定为新假商品样本图像步骤之后，还实现如下步骤：
183.根据预设第二阈值集合调整所述第二阈值，返回执行所述在所述目标假商品样本图像中，根据第二阈值以及所述目标像素点对应的梯度值对所述目标像素点的像素值进行调整，得到候选假商品样本图像的步骤。
184.在一些实施例中，处理器722在实现所述将所述候选假商品样本图像确定为新假商品样本图像步骤之后，还实现如下步骤：
185.为所述新假商品样本图像添加假商品标签；
186.根据所述新假商品样本图像对所述商品真假识别网络模型进行训练。
187.本技术实施例还提供了另一种实施上述假商品样本图像生成方法的假商品样本图像生成装置，如图10所示，图10是本技术实施例提供的一种服务器结构示意图，该服务器1020可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(英文全称：central processing units，英文简称：cpu)1022(例如，一个或一个以上处理器)和存储器1032，一个或一个以上存储应用程序1042或数据1044的存储介质1030(例如一个或一个以上海量存储设备)。其中，存储器1032和存储介质1030可以是短暂存储或持久存储。存储在存储介质1030的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器1022可以设置为与存储介质1030通信，在服务器1020上执行存储介质1030中的一系列指令操作。
188.服务器1020还可以包括一个或一个以上电源1026，一个或一个以上有线或无线网
络接口1050，一个或一个以上输入输出接口1058，和/或，一个或一个以上操作系统1041，例如windows server，mac os x，unix,linux，freebsd等等。
189.上述实施例中由服务器(例如图7所示的假商品样本图像生成装置50)所执行的步骤可以基于该图10所示的服务器1020的结构。例如上述实施例中由图7所示的假商品样本图像生成装置50所执行的步骤可以基于该图10所示的服务器结构。例如，所述处理器1022通过调用存储器1032中的指令，执行以下操作：
190.将已有的目标假商品样本图像输入预设的商品真假识别网络模型中进行反向求导，得到所述目标假商品样本图像中每个像素点的梯度值；
191.从所述目标假商品样本图像中确定目标像素点，所述目标像素点为所述梯度值的绝对值大于第一阈值的像素点；
192.在所述目标假商品样本图像中，根据第二阈值以及所述目标像素点对应的梯度值对所述目标像素点的像素值进行调整，得到候选假商品样本图像；
193.将所述候选假商品样本图像输入所述商品真假识别网络模型中进行真假识别处理，得到识别结果；
194.若所述识别结果为假商品，则将所述候选假商品样本图像作为所述目标假商品样本图像，直至所述识别结果为真商品，则将所述候选假商品样本图像确定为新假商品样本图像；
195.若所述识别结果为真商品，则将所述候选假商品样本图像确定为新假商品样本图像。
196.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，可以参见其他实施例的相关描述。
197.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
198.在本技术实施例所提供的几个实施例中，应该理解到，所揭露的系统，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，所述模块的划分，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。
199.所述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。
200.另外，在本技术实施例各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
201.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。
202.所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所述计算机计算机程序时，全部或部分地产生按照本技术实施例所述的流程或功能。所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。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所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(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。所述计算机可读存储介质可以是计算机能够存储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。所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，dvd)、或者半导体介质(例如固态硬盘solid state disk(ssd))等。
203.以上对本技术实施例所提供的技术方案进行了详细介绍，本技术实施例中应用了具体个例对本技术实施例的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术实施例的方法及其核心思想；同时，对于本领域的一般技术人员，依据本技术实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术实施例的限制。

技术特征：
1.一种假商品样本图像生成方法，其特征在于，包括：将已有的目标假商品样本图像输入预设的商品真假识别网络模型中进行反向求导，得到所述目标假商品样本图像中每个像素点的梯度值；从所述目标假商品样本图像中确定目标像素点，所述目标像素点为所述梯度值的绝对值大于第一阈值的像素点；在所述目标假商品样本图像中，根据第二阈值以及所述目标像素点对应的梯度值对所述目标像素点的像素值进行调整，得到候选假商品样本图像；将所述候选假商品样本图像输入所述商品真假识别网络模型中进行真假识别处理，得到识别结果；若所述识别结果为假商品，则将所述候选假商品样本图像作为所述目标假商品样本图像，直至所述识别结果为真商品，则将所述候选假商品样本图像确定为新假商品样本图像；若所述识别结果为真商品，则将所述候选假商品样本图像确定为新假商品样本图像。2.根据权利要求1所述的方法，其特征在于，所述根据第二阈值以及所述目标像素点对应的梯度值对所述目标像素点的像素值进行调整，包括：若所述目标像素点对应的梯度值的绝对值大于或等于所述第二阈值，则根据所述第二阈值对所述目标像素点的像素值进行调整；若所述目标像素点对应的梯度值的绝对值小于所述第二阈值，则根据所述目标像素点对应的梯度值对所述目标像素点的像素值进行调整。3.根据权利要求1所述的方法，其特征在于，所述从所述目标假商品样本图像中确定目标像素点，包括：将所述像素点中所述梯度值的绝对值大于所述第一阈值的像素点确定为中心像素点；将以所述中心像素点为中心的预设区域内的像素点确定为所述目标像素点。4.根据权利要求1所述的方法，其特征在于，所述将已有的目标假商品样本图像输入预设的商品真假识别网络模型中进行反向求导，得到所述目标假商品样本图像中每个像素点的梯度值，包括：将所述目标假商品样本图像输入所述商品真假识别网络模型中进行反向求导，得到所述目标假商品样本图像转换为真商品样本图像时，各像素点的第一像素值；获取所述目标假商品样本图像中各像素点的第二像素值；将所述第一像素值与所述第二像素值的差值确定为所述梯度值。5.根据权利要求1所述的方法，其特征在于，所述将所述候选假商品样本图像确定为新假商品样本图像之后，所述方法还包括：根据第一阈值集合调整所述第一阈值，返回执行所述从所述目标假商品样本图像中确定目标像素点的步骤。6.根据权利要求1所述的方法，其特征在于，所述将所述候选假商品样本图像确定为新假商品样本图像之后，所述方法还包括：根据预设第二阈值集合调整所述第二阈值，返回执行所述在所述目标假商品样本图像中，根据第二阈值以及所述目标像素点对应的梯度值对所述目标像素点的像素值进行调整，得到候选假商品样本图像的步骤。7.根据权利要求1至6中任一项所述的方法，其特征在于，所述将所述候选假商品样本
图像确定为新假商品样本图像之后，所述方法还包括：为所述新假商品样本图像添加假商品标签；根据所述新假商品样本图像对所述商品真假识别网络模型进行训练。8.一种假商品样本图像生成装置，其特征在于，包括输入输出单元以及处理单元：所述输入输出单元，用于将已有的目标假商品样本图像输入预设的商品真假识别网络模型中并通过所述处理单元进行反向求导，得到所述目标假商品样本图像中每个像素点的梯度值；所述处理单元，还用于从所述目标假商品样本图像中确定目标像素点，所述目标像素点为所述梯度值的绝对值大于第一阈值的像素点；在所述目标假商品样本图像中，根据第二阈值以及所述目标像素点对应的梯度值对所述目标像素点的像素值进行调整，得到候选假商品样本图像；所述输入输出单元，还用于将所述候选假商品样本图像输入所述商品真假识别网络模型中并通过所述处理单元进行真假识别处理，得到识别结果；所述处理单元，还用于若所述识别结果为假商品，则将所述候选假商品样本图像作为所述目标假商品样本图像，直至所述识别结果为真商品，则将所述候选假商品样本图像确定为新假商品样本图像；若所述识别结果为真商品，则将所述候选假商品样本图像确定为新假商品样本图像。9.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的方法。10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时可实现如权利要求1-7中任一项所述的方法。

技术总结
本申请实施例公开了一种假商品样本图像生成方法、相关装置及存储介质。方法包括：将目标假商品样本图像输入商品真假识别网络模型中进行反向求导，得到目标假商品样本图像中像素点的梯度值；从目标假商品样本图像中确定目标像素点；再在目标假商品样本图像中，根据第二阈值以及目标像素点对应的梯度值对目标像素点的像素值进行调整，得到候选假商品样本图像；并将候选假商品样本图像输入商品真假识别网络模型中进行真假识别处理，若识别结果为假商品，则将候选假商品样本图像作为目标假商品样本图像，直至识别结果为真商品；若识别结果为真商品，则将候选假商品样本图像确定为新假商品样本图像。本申请实施例可以增加假商品样本的数量。本的数量。本的数量。


技术研发人员：请求不公布姓名
受保护的技术使用者：北京瑞莱智慧科技有限公司
技术研发日：2022.06.29
技术公布日：2023/9/7