本文介绍了一种胶囊网络方法,用于检测多种攻击类型,从使用打印图像和重放视频的陈述性攻击到使用深度学习创建的虚假视频的攻击,具有与传统卷积神经网络相似的性能,并通过详细分析和可视化解释了胶囊网络应用于取证问题的理论。
Oct, 2019
通过创新和简化的模型,本研究致力于对通过五种不同的编码器生成的深度伪造视频进行分类,该模型在性能上达到最新水平,并且优化了计算资源的利用。该模型结合了 VGG19bn 的一部分作为骨干,使用胶囊网络和时空注意机制增强了模型的分类能力,并通过聚合帧之间的洞察力获得了视频内容的整体理解。实验结果证明了我们的方法在准确分类深度伪造视频方面相较于基线模型提升了 4 个百分点,并且对计算资源的需求更低。
Nov, 2023
本文研究了通过对抗性的样本对基于卷积神经网络的相机模型检测器进行欺骗的反取证方法,并展示了即使用针对图像分析和获取相机模型信息的先进深度学习架构,也存在一定漏洞。
May, 2018
该研究提出了一种新的网络 VideoFACT,能够检测和定位多种视频伪造和操纵,包括那些未在训练中遇到的,并能在具有挑战性的基于人工智能的操纵上取得更强的性能表现。
Nov, 2022
通过使用卷积神经网络和胶囊网络与长短期记忆,利用可解释的人工智能来区分深度伪造生成的帧和原始帧,以实现我们的目标,并促进透明的人工智能关系并提供真实场景的实际示例。
Apr, 2024
本文提出了一种利用深度学习自动有效地检测视频中人脸篡改的方法,并集中研究了最近使用的两种生成超逼真伪造视频的技术:Deepfake 和 Face2Face。通过提出的两个网络,在现有数据集和网络视频数据集上测试,检测率分别达到 98% 和 95% 以及相当成功。
Sep, 2018
本文评估胶囊网络对不同对抗性攻击的易受攻击性,发现胶囊网络易被欺骗,不如卷积神经网络稳健。
Jun, 2019
本文主要研究通过对输入进行类别有条件的重构来检测对抗样本,使用重构攻击来进攻检测机制,并发现 CapsNets 总是表现更好,进一步诊断 CapsNets 的对抗样本,发现了视觉相似性与攻击成功率之间的高度相关性。
Jul, 2019
本研究提出了名为 VideoCapsuleNet 的 3D 胶囊网络,可以实现动作检测和像素级动作分割,其中胶囊池化被引入作为卷积胶囊层的一部分以优化计算。研究结果表明,在多个动作检测数据集上,该网络在检测精度方面均有显著提升。
本文介绍了卷积神经网络的两个不足之处:不能考虑特征之间的重要空间关系和缺乏旋转不变性。为了解决这个问题,Hinton 等人提出了一种新型神经网络 —— 胶囊网络,该网络采用动态路由和重构正则化技术,具有旋转不变性和空间感知能力。在 MNIST 数据集上进行测试,胶囊网络的测试错误率为 0.25%,优于以前 0.39%的基准。同时,我们还尝试找到最佳配置组合,以在 CIFAR10 数据集上获得最佳测试结果。
Dec, 2017