基于循环卷积策略的视频人脸篡改检测
本文提出了一种使用 ensembles 方法来判断现代面部操作技术的视频序列的面部操作检测的解决方案,该方案使用了基于卷积神经网络的不同模型,并结合了 EfficientNetB4、注意力层和连体训练等不同概念,针对以上两个概念结合的模型,本文在两个公开数据集上测试得出了令人期待的结果。
Apr, 2020
本文提出了一种基于卷积 LSTM 的深度学习模型(CLRNet),利用序列帧输入方法检测深伪视频中图像间的不自然痕迹,并且使用迁移学习对不同类型深伪视频的识别进行泛化。在 FaceForensics++ 数据集上进行了实验,结果显示我们的模型能够更好地泛化不同类型的深伪视频,相比于之前五种最先进的深伪检测方法,我们的方法表现更优越。
Sep, 2020
本文探讨了利用时间上下文对视频中的脸部伪造进行检测的方法,并提出了一种新的端到端框架,包括全时卷积网络和时间变换网络,实验证明了该方法的有效性。
Aug, 2021
本文设计了一个使用多任务学习方法的卷积神经网络用于同时检测和定位查询的篡改图像和视频以及使用半监督学习方法来提高网络的泛化能力,实验表明该网络对面部重现攻击和面部交换攻击很有效,并能处理以前从未见过的攻击。
Jun, 2019
本文提出了一种使用卷积视觉 Transformer 及卷积神经网络架构用于检测 Deepfakes 的方法,并在 DeepFake Detection Challenge Dataset 上进行了实验,取得了 91.5%的准确度、0.91 的 AUC 值和 0.32 的损失值。
Feb, 2021
通过使用 Celeb-DF 数据集,我们创建了基于时空卷积方法的表现基准,发现这些方法优于现有的基于帧的检测方法,因为它们能够学习到时序信息,并且提出了一种更好的深度学习算法来检测深度假像。
Jun, 2020
本文提出一种端到端的方法来同时学习视频人物再识别的时空特征和相应的相似度度量,采用深度卷积网络和循环神经网络进行时间序列建模和度量学习,通过时间汇聚产生整体特征表示,在 iLIDS-VID 和 PRID 2011 等公共数据集上达到最先进的性能水平。
Jun, 2016
本研究提出了一种基于真实对话视频的假脸检测技术,通过跨模态自监督学习得到时序稠密视频表示,鼓励假脸检测器基于面部运动、表情和身份等因素做出真 / 假决策,并在交叉操作泛化和鲁棒性实验中取得了最先进的表现。
Jan, 2022
该论文提出了一种基于卷积变换器的深度模型,旨在提高 Deepfake 检测性能,通过整合图片的局部和全局信息,采用卷积池化和再关注机制来增强特征提取、提升效率,并利用图像关键帧进行模型训练以提高性能,提出的解决方案在多个 Deepfake 基准数据集上均优于现有的基准算法。
Sep, 2022
研究比较深度卷积网络和带有循环结构的深度卷积神经网络的效果,针对视频识别、图像描述、检索以及视频叙事方面的问题,开发出一种新颖的循环卷积架构,该架构可以训练端到端,可以同时学习时间动态和卷积感知表示,并具有学习长期依赖性的能力。实验结果证明,循环卷积模型在识别或生成方面与现有的模型相比具有明显的优势。
Nov, 2014