May, 2024

广义 Deepfake 检测的脑电图特征

PDF
TL;DR通过利用从人类参与者的神经处理中测量得到的脑电图（EEG）从 FaceForensics++ 数据集的 Deepfake 刺激中检测深度伪造是这项研究的目标。初步结果表明，人类神经处理信号成功地整合到了 Deepfake 检测框架中，并且暗示了一种能够识别超越训练领域的 Deepfake 的广义神经表征的潜力。此外，我们的研究为理解数字真实主义如何嵌入人类认知系统提供了下一步的步骤，可能推动未来更逼真的数字化身的发展。
发现论文，激发创造
  • 基于 EEG 的图像特征提取与深度学习视觉分类

    本研究采用一种有效的编码方式将脑电信号编码为图像，从而实现对深度学习模型中的脑信号进行更细致的理解，并将其与标准图像特征相结合，以提高深度学习模型的可解释性。通过在六个受试者的层数据集上对 39 个图像类别进行编码分类，该方法在 82% 的准确率方面优于现有工作，从而证明了该理论的可行性。

    Sep, 2022

  • 从脑电图记录学习稳健的深度视觉表征

    该研究使用脑电图 (EEG) 信号进行图像重建和分类，通过深度学习的特征提取方法在多个数据集上展示了其在大脑与计算机交互中的可广泛应用性，并提出了一种在 EEG 空间中转换未见图像并进行近似重建的新框架，显示出优于生成对抗网络现有性能的潜力。

    Oct, 2023

  • 使用生物特征进行 Deepfake 检测：一项调查

    探讨 Deepfake 技术的历史、发展和检测，并议论了基于生理测量（如眉毛识别、眨眼检测、眼动检测、耳朵和口部检测、心跳检测等）的挑战，同时提出了各种不同的生物特征及分类器比较，并对 GANs 模型的检测方法进行了综述。

    Jan, 2023

  • 基于深度学习的脑电图分析：系统综述

    通过对 156 篇 DL 和 EEG 论文的回顾和分析，发现 DL 在 EEG 信号识别方面取得了 5.4% 的精度提升，但大多数论文难以复现，因此提出了建议以支持该领域的进一步发展。

    Jan, 2019

  • 基于信号处理和深度神经网络的优化脑电情绪检测

    本研究使用电脑建立了一个基于神经网络的智能决策模型，通过 EEG 检测来识别人类主观情绪，并采用一些信号处理技术和算法，实验结果表明该模型能够提高情绪检测的准确性。

    Mar, 2023

  • 脑电记录的深度特征学习

    本文介绍了使用深度学习技术从脑电图（EEG）记录中学习区分特征的几种策略，并比较了其效果。这些策略包括跨试验编码，相似性约束编码和 Hydra-nets。通过使用公开可用的 OpenMIIR EEG 数据集对这些策略进行了评估。

    Nov, 2015

  • 带条件识别信息的脑电解码

    通过将个体的条件识别信息纳入神经网络中，将 EEG 信号解码与个人特征相结合，从而提高 EEG 可解释性和相关识别特征的理解，以提高模型表达能力。在 WithMe 数据集上的测试结果表明，这种方式显著提高了训练集和未知个体的准确性，具有改善 EEG 解释性和理解相关识别特征的潜力。

    Mar, 2024

  • 通过注视引导的空间不一致学习进行深度伪造检测

    本文介绍了一种创新的 DeepFake 检测方法，使用从 3D 凝视估计模型获取的凝视表示来规范我们 DeepFake 检测模型中的相应表示，同时结合一般特征进一步提高性能。实验证明我们提出的 GazeForensics 优于当前最先进的方法。

    Nov, 2023

  • 机器关注时的人类大脑活动

    通过将神经网络和神经科学的 EEG 数据相结合，使用理论驱动的裁剪和随机森林树分割来降低 EEG 数据的维度，从而改进了 NLP 任务中的注意力机制，表现出比强基准线更佳的表现，有助于进一步研究 EEG 在 NLP 任务中的应用。

    Jun, 2020

  • 通过分析卷积痕迹进行 DeepFake 检测

    该研究旨在针对利用深度学习工具生成人脸的 Deepfake 现象，提出新的检测方法。提出的该算法基于期望最大化算法，提取了一组特定的局部特征来建模卷积生成过程，经实验验证有效地区分了不同的架构和相应的生成过程。

    Apr, 2020