CN111597983B - 基于深度卷积神经网络实现生成式虚假人脸图像鉴定的方法 - Google Patents

基于深度卷积神经网络实现生成式虚假人脸图像鉴定的方法 Download PDF

Info

Publication number
CN111597983B
CN111597983B CN202010409174.9A CN202010409174A CN111597983B CN 111597983 B CN111597983 B CN 111597983B CN 202010409174 A CN202010409174 A CN 202010409174A CN 111597983 B CN111597983 B CN 111597983B
Authority
CN
China
Prior art keywords
face
network
generated
images
face image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010409174.9A
Other languages
English (en)
Other versions
CN111597983A (zh
Inventor
王立
刘辛宇
姚斌
洪丽娟
成云飞
冯宗伟
李明
华寅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Third Research Institute of the Ministry of Public Security
Original Assignee
Third Research Institute of the Ministry of Public Security
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Third Research Institute of the Ministry of Public Security filed Critical Third Research Institute of the Ministry of Public Security
Priority to CN202010409174.9A priority Critical patent/CN111597983B/zh
Publication of CN111597983A publication Critical patent/CN111597983A/zh
Application granted granted Critical
Publication of CN111597983B publication Critical patent/CN111597983B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明涉及一种基于深度卷积神经网络实现生成式虚假人脸图像鉴定的方法，包括利用主流人脸生成模型生成虚假人脸；对训练用的真实人脸以及生成人脸图片数据集进行成对预处理，并制定标签；以深度卷积神经网络为基础构建共同特征提取网络以及分类网络；利用对比损失，向共同特征提取网络输入训练用成对人脸图像进行训练；将训练后的共同特征提取网络与分类网络进行级联，输入生成的或者真实单人脸图像进行训练；根据经过训练后得到的级联网络模型进行生成式虚假人脸图像鉴定。采用了本发明的基于深度卷积神经网络实现生成式虚假人脸图像鉴定的方法，搭建的网络结构简单，鉴别速度快，在虚假生物特征图像鉴别以及人脸图像安全领域有广阔的应用前景。

Description

基于深度卷积神经网络实现生成式虚假人脸图像鉴定的方法
技术领域
本发明涉及计算机视觉领域，尤其涉及图像伪造鉴别领域，具体是指一种基于深度卷积神经网络实现生成式虚假人脸图像鉴定的方法。
背景技术
随着人工智能技术的发展，视频/图像篡改技术在为人类生活带来便利的同时也引发了社会公共安全方面极大的担忧。计算机视觉领域，利用各类优秀的生成式模型生成的各类图像可以被用来为特定的人和不适当的事件生成被篡改的视频或者虚假的图片，特别是虚假人脸图像，会产生对个人非常有害的影响，甚至可能影响到个人的安全。传统的虚假人脸图像鉴别方法直接学习二进制位分类器，但针对目前各类基于神经网络的生成式模型生成的人脸图像，很难找到用于判断来自不同生成模型的虚假图像的常见鉴别特征，因此传统虚假人脸图像鉴别手段不能很好的被应用至目前新兴技术所生成的各类人脸图像。
发明内容
本发明的目的是克服了上述现有技术的缺点，提供了一种满足结构简单、效率高、覆盖面广的基于深度卷积神经网络实现生成式虚假人脸图像鉴定的方法。
为了实现上述目的，本发明的基于深度卷积神经网络实现生成式虚假人脸图像鉴定的方法如下：
该基于深度卷积神经网络实现生成式虚假人脸图像鉴定的方法，其主要特点是，所述的方法包括以下步骤：
(1)利用主流人脸生成模型生成虚假人脸；
(2)对训练用的真实人脸以及生成人脸图片数据集进行成对预处理，并制定标签；
(3)以深度卷积神经网络为基础构建共同特征提取网络以及分类网络；
(4)利用对比损失，向共同特征提取网络输入训练用成对人脸图像进行训练；
(5)将训练后的共同特征提取网络与分类网络进行级联，输入生成的或者真实单人脸图像进行训练；
(6)根据经过训练后得到的级联网络模型进行生成式虚假人脸图像鉴定。
较佳地，所述的步骤(1)中主流人脸生成模型包括ProGAN、StyleGAN、StyleGAN2、BigGAN。
较佳地，所述的步骤(2)中成对处理的处理过程具体为从真实人脸与生成人脸混合集中随机选两张人脸图像组成图像对。
较佳地，所述的步骤(2)中的预处理的处理过程包括压缩图像JEPG格式、添加随机噪声和裁剪。
较佳地，所述的步骤(2)中预处理后的人脸图像大小为2N×2N，其中，N为大于等于6且小于等于9的正整数。
较佳地，所述的步骤(2)中压缩图像JEPG格式的处理过程具体为：
随机选取50％人脸图像进行JEPG格式压缩，其中，压缩比设置为10:1～30:1均匀分布。
较佳地，所述的步骤(2)中添加的随机噪声标准差为0～3均匀分布。
较佳地，所述的步骤(2)中的制定标签的处理过程具体为：
对成对图像进行判断，如果成对图像为一张真实图像与一张生成图像，则成对标识结果为0；如果成对图像中两张均为生成图像，则成对标识结果为1；如果成对图像中两张均为真实图像，则成对标识结果为1。
较佳地，所述的步骤(3)中共同特征提取网络包含卷积层、池化、残差层以及全连接层，所述的卷积层和全连接层均经过激活处理。
较佳地，所述的步骤(3)中分类网络包含卷积层、池化、以及全连接层，所述的卷积层和全连接层均经过激活处理。
较佳地，所述的步骤(4)中的对比损失具体为通过从成对信息异构训练人脸图像中学习联合差异特征。
较佳地，所述的步骤(5)中的级联的处理过程具体为将分类网络直接连接至共同特征提取网络中最后一个残差网络之后。
采用了本发明的基于深度卷积神经网络实现生成式虚假人脸图像鉴定的方法，由于生成技术会导致图像本质特征发生改变，通过检查从图像中提取的内在特征的统计特性可检测图像是否是生成的。由于其采用深度图像学习技术，从所收集的生成图像以及真实图像训练集中学习到联合鉴别的特征，最终训练分类器得到了可以自动检测生成式虚假人脸图像的鉴别网络。本发明利用对比损失的方法来更好地寻找由不同生成模型生成的虚假图像的典型特征，核心就在于搭建的网络结构简单，鉴别速度快，最终的鉴别网络模型对虚假人脸图片有很好的检测能力，而且能够鉴别不同生成式网络生成的虚假人脸图片，在虚假生物特征图像鉴别以及人脸图像安全领域都有广阔的应用前景。
附图说明
图1为本发明的基于深度卷积神经网络实现生成式虚假人脸图像鉴定的方法的步骤示意图。
图2为本发明的基于深度卷积神经网络实现生成式虚假人脸图像鉴定的方法的训练用人脸图像预处理示意图。
图3为本发明的基于深度卷积神经网络实现生成式虚假人脸图像鉴定的方法的共同特征提取网络流程示意图。
图4为本发明的基于深度卷积神经网络实现生成式虚假人脸图像鉴定的方法的分类网络流程示意图。
具体实施方式
为了能够更清楚地描述本发明的技术内容，下面结合具体实施例来进行进一步的描述。
本发明的该基于深度卷积神经网络实现生成式虚假人脸图像鉴定的方法，其中包括以下步骤：
(1)利用主流人脸生成模型生成虚假人脸；
(2)对训练用的真实人脸以及生成人脸图片数据集进行成对预处理，并制定标签；
(3)以深度卷积神经网络为基础构建共同特征提取网络以及分类网络；
(4)利用对比损失，向共同特征提取网络输入训练用成对人脸图像进行训练；
(5)将训练后的共同特征提取网络与分类网络进行级联，输入生成的或者真实单人脸图像进行训练；
(6)根据经过训练后得到的级联网络模型进行生成式虚假人脸图像鉴定。
作为本发明的优选实施方式，所述的步骤(1)中主流人脸生成模型包括ProGAN、StyleGAN、StyleGAN2、BigGAN。
作为本发明的优选实施方式，所述的步骤(2)中成对处理的处理过程具体为从真实人脸与生成人脸混合集中随机选两张人脸图像组成图像对。
作为本发明的优选实施方式，所述的步骤(2)中的预处理的处理过程包括压缩图像JEPG格式、添加随机噪声和裁剪。
作为本发明的优选实施方式，所述的步骤(2)中预处理后的人脸图像大小为2N×2N，其中，N为大于等于6且小于等于9的正整数。
作为本发明的优选实施方式，所述的步骤(2)中压缩图像JEPG格式的处理过程具体为：
随机选取50％人脸图像进行JEPG格式压缩，其中，压缩比设置为10:1～30:1均匀分布。
作为本发明的优选实施方式，所述的步骤(2)中添加的随机噪声标准差为0～3均匀分布。
作为本发明的优选实施方式，所述的步骤(2)中的制定标签的处理过程具体为：
对成对图像进行判断，如果成对图像为一张真实图像与一张生成图像，则成对标识结果为0；如果成对图像中两张均为生成图像，则成对标识结果为1；如果成对图像中两张均为真实图像，则成对标识结果为1。
作为本发明的优选实施方式，所述的步骤(3)中共同特征提取网络包含卷积层、池化、残差层以及全连接层，所述的卷积层和全连接层均经过激活处理。
作为本发明的优选实施方式，所述的步骤(3)中分类网络包含卷积层、池化、以及全连接层，所述的卷积层和全连接层均经过激活处理。
作为本发明的优选实施方式，所述的步骤(4)中的对比损失具体为通过从成对信息异构训练人脸图像中学习联合差异特征。
作为本发明的优选实施方式，所述的步骤(5)中的级联的处理过程具体为将分类网络直接连接至共同特征提取网络中最后一个残差网络之后。
本发明的具体实施方式中，提供一种模型简单、效率高、覆盖面广的基于深度卷积神经网络实现生成式虚假人脸图像鉴定的方法。虽然生成式虚假图片所用的方法大相径庭、风格迥异，但是总有一些固有缺陷，这里面既有CNN本身的问题，也有GAN的局限性：常见的CNN生成的内容降低了图片的表征能力，而这些工作大部分集中在网络执行上采样和下采样的方式上。卷积网络忽略了经典的采样定理，而跨步卷积操作减少了平移不变性，导致很小的偏移也会造成输出的极大波动；而GAN的生成能力有限，并且预训练GAN无法生成的图像结构，同时，常见GAN中包含的上采样组件会引起伪像。因此上述缺陷可被用来对生成式虚假人脸图像进行鉴定。
在一种具体实施例中，如图1所示，该预处理后的训练用人脸图片大小为256×256(N＝8)时，本发明的基于深度卷积神经网络实现生成式虚假人脸图像鉴定的方法，其中，包括以下步骤：
(1)选取ProGAN、StyleGAN、StyleGAN2、BigGAN这四种主流人脸生成模型生成虚假人脸，每个模型生成虚假人脸10000张；
(2)收集训练用的真实人脸40000张，联合步骤(1)生成的虚假人脸图片40000张，组成共N(N＝80000)张人脸图片的数据集，其中生成图像标签为l＝0，真实图像标签为l＝1；
如图2所示，从80000张人脸图片数据集中随机选取50％人脸图像进行JEPG格式压缩，压缩比设置为10:1～30:1均匀分布，随后添加标准差为0～3均匀分布的随机噪声，最终再经过裁剪后的训练用人脸图像大小统一为256×256。
如图2所示，对由步骤(3)得到的训练数据集进行成对处理，随机选取两张人脸图片，成对图像为一张真实图像与一张生成图像则成对标识结果为k＝0，成对图像中两张均为生成图像则成对标识结果为1，成对图像中两张均为真实图像则成对标识结果为k＝1。
(3)以深度卷积神经网络为基础构建共同特征提取网络F以及分类网络D；
如图3所示，共同特征提取网络F包含卷积层(7×7)、最大池化、三个残差层(3×3)、最大池化以及512维的全连接层后进行Softmax，卷积层以及全连接层后均经过LeakyReLU激活处理，负斜率为0.2。
如图4所示，分类网络D包含卷积层(3×3)、全局平均池化以及2维的全连接层后进行Softmax，卷积层以及全连接层后均经过Leaky ReLU激活处理，负斜率为0.2。
(4)利用对比损失，向共同特征提取网络F输入由步骤(2)得到的训练用成对人脸图像进行训练，对比损失函数为
Figure BDA0002492564080000051
表达式如下：
Figure BDA0002492564080000052
其中，kij为成对标识，xi、xj为由第i张与第j张人脸图片组成的成对人脸图像对，F(xi)为利用共同特征提取网络F提取到的第i张人脸训练图像特征，R＝0.7为统计得到的所有||F(xi)-F(xj)||中的最大值。
(5)将分类网络D直接连接至训练好的共同特征提取网络F中最后一个残差网络之后组成级联网络，利用交叉熵损失向级联网络输入生成的或者真实单人脸图像进行训练,交叉熵损失为
Figure BDA0002492564080000053
表达式如下：
Figure BDA0002492564080000054
其中，li为第i张人脸训练图像为真或假的人脸图像标签，xi为由第i张人脸训练图片，F(xi)为利用共同特征提取网络F提取到的第i张人脸训练图像特征，D(F(xi)为分类网络对特征F(xi)的分类结果，N为人脸图片的数据集中图像总数(N＝80000)。
训练过程中，使用ADAM梯度优化方案训练共同特征提取网络F与分类网络D，共同特征提取网络F每批采样32对人脸图像，训练批次为50；分类网络D每批采样64个人脸图像，训练批次为100，同特征提取网络F与分类网络D学习率均为0.0002、β1与β2分别为0.5与0.999。
(6)将大小为256×256的人脸图片输入经过训练后得到的级联网络模型，输出结果可鉴定是否为生成式虚假人脸图像。
采用了本发明的基于深度卷积神经网络实现生成式虚假人脸图像鉴定的方法，由于生成技术会导致图像本质特征发生改变，通过检查从图像中提取的内在特征的统计特性可检测图像是否是生成的。由于其采用深度图像学习技术，从所收集的生成图像以及真实图像训练集中学习到联合鉴别的特征，最终训练分类器得到了可以自动检测生成式虚假人脸图像的鉴别网络。本发明利用对比损失的方法来更好地寻找由不同生成模型生成的虚假图像的典型特征，核心就在于搭建的网络结构简单，鉴别速度快，最终的鉴别网络模型对虚假人脸图片有很好的检测能力，而且能够鉴别不同生成式网络生成的虚假人脸图片，在虚假生物特征图像鉴别以及人脸图像安全领域都有广阔的应用前景。
在此说明书中，本发明已参照其特定的实施例作了描述。但是，很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此，说明书和附图应被认为是说明性的而非限制性的。

Claims (10)

1.一种基于深度卷积神经网络实现生成式虚假人脸图像鉴定的方法，其特征在于，所述的方法包括以下步骤：
(1)利用主流人脸生成模型生成虚假人脸；
(2)对训练用的真实人脸以及生成人脸图片数据集进行成对预处理，并制定标签；
(3)以深度卷积神经网络为基础构建共同特征提取网络以及分类网络；
(4)利用对比损失，向共同特征提取网络输入训练用成对人脸图像进行训练；
(5)将训练后的共同特征提取网络与分类网络进行级联，输入生成的或者真实单人脸图像进行训练；
(6)根据经过训练后得到的级联网络模型进行生成式虚假人脸图像鉴定；
所述的步骤(2)中成对处理的处理过程具体为从真实人脸与生成人脸混合集中随机选两张人脸图像组成图像对；
所述的步骤(2)中的制定标签的处理过程具体为：
对成对图像进行判断，如果成对图像为一张真实图像与一张生成图像，则成对标识结果为0；如果成对图像中两张均为生成图像，则成对标识结果为1；如果成对图像中两张均为真实图像，则成对标识结果为1；
还包括：
利用对比损失，向共同特征提取网络F输入由步骤(2)得到的训练用成对人脸图像进行训练，对比损失函数为
Figure FDA0004209070550000011
Figure FDA0004209070550000012
表达式如下：
Figure FDA0004209070550000013
其中，kij为成对标识，xi、xj为由第i张与第j张人脸图片组成的成对人脸图像对，F(xi)为利用共同特征提取网络F提取到的第i张人脸训练图像特征，R＝0.7为统计得到的所有||F(xi)-F(xj)||中的最大值；
将分类网络D直接连接至训练好的共同特征提取网络F中最后一个残差网络之后组成级联网络，利用交叉熵损失向级联网络输入生成的或者真实单人脸图像进行训练,交叉熵损失为
Figure FDA0004209070550000014
Figure FDA0004209070550000015
表达式如下：
Figure FDA0004209070550000016
其中，li为第i张人脸训练图像为真或假的人脸图像标签，xi为由第i张人脸训练图片，F(xi)为利用共同特征提取网络F提取到的第i张人脸训练图像特征，D(F(xi)为分类网络对特征F(xi)的分类结果，N为人脸图片的数据集中图像总数，N＝80000。
2.根据权利要求1所述的基于深度卷积神经网络实现生成式虚假人脸图像鉴定的方法，其特征在于，所述的步骤(1)中主流人脸生成模型包括ProGAN、StyleGAN、StyleGAN2、BigGAN。
3.根据权利要求1所述的基于深度卷积神经网络实现生成式虚假人脸图像鉴定的方法，其特征在于，所述的步骤(2)中的预处理的处理过程包括压缩图像JEPG格式、添加随机噪声和裁剪。
4.根据权利要求1所述的基于深度卷积神经网络实现生成式虚假人脸图像鉴定的方法，其特征在于，所述的步骤(2)中预处理后的人脸图像大小为2N×2N，其中，N为大于等于6且小于等于9的正整数。
5.根据权利要求3所述的基于深度卷积神经网络实现生成式虚假人脸图像鉴定的方法，其特征在于，所述的步骤(2)中压缩图像JEPG格式的处理过程具体为：
随机选取50％人脸图像进行JEPG格式压缩，其中，压缩比设置为10:1～30:1均匀分布。
6.根据权利要求3所述的基于深度卷积神经网络实现生成式虚假人脸图像鉴定的方法，其特征在于，所述的步骤(2)中添加的随机噪声标准差为0～3均匀分布。
7.根据权利要求1所述的基于深度卷积神经网络实现生成式虚假人脸图像鉴定的方法，其特征在于，所述的步骤(3)中共同特征提取网络包含卷积层、池化、残差层以及全连接层，所述的卷积层和全连接层均经过激活处理。
8.根据权利要求1所述的基于深度卷积神经网络实现生成式虚假人脸图像鉴定的方法，其特征在于，所述的步骤(3)中分类网络包含卷积层、池化、以及全连接层，所述的卷积层和全连接层均经过激活处理。
9.根据权利要求1所述的基于深度卷积神经网络实现生成式虚假人脸图像鉴定的方法，其特征在于，所述的步骤(4)中的对比损失具体为通过从成对信息异构训练人脸图像中学习联合差异特征。
10.根据权利要求1所述的基于深度卷积神经网络实现生成式虚假人脸图像鉴定的方法，其特征在于，所述的步骤(5)中的级联的处理过程具体为将分类网络直接连接至共同特征提取网络中最后一个残差网络之后。
CN202010409174.9A 2020-05-14 2020-05-14 基于深度卷积神经网络实现生成式虚假人脸图像鉴定的方法 Active CN111597983B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010409174.9A CN111597983B (zh) 2020-05-14 2020-05-14 基于深度卷积神经网络实现生成式虚假人脸图像鉴定的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010409174.9A CN111597983B (zh) 2020-05-14 2020-05-14 基于深度卷积神经网络实现生成式虚假人脸图像鉴定的方法

Publications (2)

Publication Number Publication Date
CN111597983A CN111597983A (zh) 2020-08-28
CN111597983B true CN111597983B (zh) 2023-06-06

Family

ID=72182690

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010409174.9A Active CN111597983B (zh) 2020-05-14 2020-05-14 基于深度卷积神经网络实现生成式虚假人脸图像鉴定的方法

Country Status (1)

Country Link
CN (1) CN111597983B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112053408B (zh) * 2020-09-04 2021-05-25 清华大学 基于深度学习的人脸图像压缩方法及装置
CN112487992B (zh) * 2020-12-02 2022-07-22 重庆邮电大学 一种基于流模型的人脸情绪图像的生成方法及设备
CN112764433A (zh) * 2020-12-25 2021-05-07 湖北航天飞行器研究所 一种基于深度学习的无人机载火箭残骸搜寻装置及方法
CN113076876B (zh) * 2021-04-02 2023-01-31 华南理工大学 一种基于三维结构监督和置信度加权的人脸欺骗检测方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019214557A1 (zh) * 2018-05-08 2019-11-14 深圳大学 一种深度网络生成人脸图像的检测方法及系统
CN110516576A (zh) * 2019-08-20 2019-11-29 西安电子科技大学 基于深度神经网络的近红外活体人脸识别方法
CN110598400A (zh) * 2019-08-29 2019-12-20 浙江工业大学 一种基于生成对抗网络的高隐藏中毒攻击的防御方法及应用

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019214557A1 (zh) * 2018-05-08 2019-11-14 深圳大学 一种深度网络生成人脸图像的检测方法及系统
CN110516576A (zh) * 2019-08-20 2019-11-29 西安电子科技大学 基于深度神经网络的近红外活体人脸识别方法
CN110598400A (zh) * 2019-08-29 2019-12-20 浙江工业大学 一种基于生成对抗网络的高隐藏中毒攻击的防御方法及应用

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
邹建成 ; 曹秀玲 ; .一种基于改进的卷积神经网络的人脸表情识别方法.北方工业大学学报.2020,(第02期),全文. *

Also Published As

Publication number Publication date
CN111597983A (zh) 2020-08-28

Similar Documents

Publication Publication Date Title
CN111597983B (zh) 基于深度卷积神经网络实现生成式虚假人脸图像鉴定的方法
CN109829443B (zh) 基于图像增强与3d卷积神经网络的视频行为识别方法
CN111968193B (zh) 一种基于StackGAN网络的文本生成图像方法
CN113936339A (zh) 基于双通道交叉注意力机制的打架识别方法和装置
CN113536972B (zh) 一种基于目标域伪标签的自监督跨域人群计数方法
CN111310026A (zh) 一种基于人工智能的涉黄涉恐监测方法
CN110457996B (zh) 基于vgg-11卷积神经网络的视频运动对象篡改取证方法
CN114694220A (zh) 一种基于Swin Transformer的双流人脸伪造检测方法
CN109670453B (zh) 一种提取短视频主题的方法
CN113361474B (zh) 基于图像块特征提取的双流网络图像伪造检测方法及系统
CN113011332A (zh) 基于多区域注意力机制的人脸伪造检测方法
CN112990031A (zh) 一种基于改进孪生网络用于检测篡改人脸视频和图像的方法
CN114049194A (zh) 一种基于图片背景相似性的欺诈检测识别方法及设备
CN109766918A (zh) 基于多层次上下文信息融合的显著性物体检测方法
CN111046213B (zh) 一种基于图像识别的知识库构建方法
Hongmeng et al. A detection method for deepfake hard compressed videos based on super-resolution reconstruction using CNN
CN112884758A (zh) 一种基于风格迁移方法的缺陷绝缘子样本生成方法及系统
Zheng et al. Steganographer detection based on multiclass dilated residual networks
Brockschmidt et al. On the generality of facial forgery detection
CN111813996B (zh) 基于单帧和连续多帧抽样并行的视频搜索方法
CN112215076B (zh) 一种基于双塔网络的深度笔迹鉴定方法及装置
Prabakar et al. Hybrid deep learning model for copy move image forgery detection
CN113313108A (zh) 一种基于超大感受野特征优化的显著性目标检测方法
Liu et al. Anti‐noise image source identification
CN111524090A (zh) 一种基于深度预测图的rgb-d显著性检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant