Jan, 2024

检测医学图像深度伪造的深度卷积神经网络的比较分析

PDF
TL;DR研究表明，在医学图像领域，使用综合评估 13 种先进的深度卷积神经网络（DCNNs）有效地区分真实的和篡改或操纵的医学图像。发现 ResNet50V2 在精确度和特异度方面表现出色，而 DenseNet169 在准确性、召回率和 F1 得分方面表现突出。同时，MobileNetV3Large 在保持相对较小的参数数量的同时，具有较高的性能。研究还发现 DenseNet 和 EfficientNet 模型族在隐空间分离质量上卓越，提供对医学图像造假的更深入理解。该研究对医学图像领域的深度伪造图像检测做出了有价值的贡献。
generative adversarial networksdeep convolutional neural networkmedical image deepfake detectionresnet50v2densenet169
发现论文，激发创造
  • 卷积神经网络与 Transformer 在深度学习中的 Deepfake 侦测

    本文研究深度学习架构 (CNNs 和 Transformers) 的演进，设计和开发了深度伪造检测模型，并在深度伪造数据集上进行了实验，取得了较高的准确率和 AUC，并分析了不同深度伪造数据集之间的关系。

    Apr, 2023

  • 基於深度卷積神經網絡的計算機輔助檢測：CNN 架構、數據集特徵和轉移學習

    该论文主要探讨了如何在医学成像领域中运用深度卷积神经网络实现计算机辅助检测。作者对不同的卷积神经网络结构进行了评估，并考虑了数据集规模和图像空间背景对性能的影响。文章还阐述了将 ImageNet 预训练模型迁移到医学成像问题中的有效性，并通过两个计算机辅助检测问题的实验展示了更好的性能。

    Feb, 2016

  • 深金字塔残差网络

    探索使用逐渐增加特征映射维度的方式，提高深度残差神经网络的泛化能力，并提出了一种新的残差单元，增强了其分类准确性；实验表明，与原始的残差网络相比，该网络结构具有更好的泛化能力。

    Oct, 2016

  • 使用 ResNet101 和 DAE 提高皮肤癌成像的质量和分类准确性

    使用深度自动编码器（DAE）和 ResNet101 构建的卷积集成网络方法，基于卷积神经网络对皮肤癌进行检测，通过 ISIC-2018 公共数据进行实验，并取得了显著的性能表现，准确度 96.03%，精确度 95.40%，召回率 96.05%，F-measure 达 0.9576，AUC 为 0.98。

    Mar, 2024

  • 卷积神经网络在人脸反欺诈中的性能评估

    本文通过基于卷积神经网络的 Inception 和 ResNet 模型在 MSU Mobile Face Spoofing 数据库上的表现，研究了如何应用这些深度学习算法实现面部反欺骗的生物特征访问控制。

    May, 2018

  • 地理伪造图像检测的预训练卷积神经网络模型评估

    本文探讨了多个卷积神经网络架构用于识别伪造卫星图像的适用性以及通过实验评估它们对各种图像畸变的性能与鲁棒性，该研究成果有助于新方法的建立和发展。

    Oct, 2022

  • 双卷积神经网络

    本文提出了一种新的卷积神经网络模型，称为双卷积神经网络，该模型通过共享权重参数进行优化，在图像分类领域有着显著的性能提升。在 CIFAR-10，CIFAR-100 和 ImageNet 等图像分类基准测试中，该模型的性能均显著优于其他竞争模型。同时，本文还说明了双卷积神经网络在多方面性能均有体现，既可以构建更准确的模型，又可以以牺牲一定准确性的代价来减少模型的内存占用。

    Oct, 2016

  • 应用生成对抗网络对胸部病理 X 光进行深度神经网络分类的泛化

    通过使用生成对抗网络进行病理图像的模拟，摆脱常见医疗问题过度呈现和罕见条件数据匮乏等问题，将生成的图像和真实图像结合，使用 DCNN 检测肺部 X 光片的五个类别，通过生成的图像均衡数据集，DCNN 的性能得到了提高。

    Nov, 2017

  • DmADs-Net：用于医学图像分割的稠密多尺度注意力和深度监督网络

    通过对复杂数据集和不同类型的数据集进行广泛实验，本研究提出了一种名为 DmADs-Net 的密集多尺度注意力和深度监督网络，通过特征提取、特征注意力块和特征融合等模块的创新，该网络在处理医学图像中的病变定位和特征提取方面取得了优于主流网络的表现。

    May, 2024

  • DepthwiseGANs：用于逼真图像合成的快速训练生成对抗网络

    本篇论文探讨了使用 DepthwiseGAN 架构生成逼真图像的方法，并通过 Fréchet Inception Distance 对生成数据质量进行了评估。结果表明，DepthwiseGAN 可以在较短的训练期间内生成逼真的图像，但是模型容量对于生成建模仍然具有重要作用。

    Mar, 2019