CN113283403A - 基于对抗学习的伪造人脸视频检测方法 - Google Patents

基于对抗学习的伪造人脸视频检测方法 Download PDF

Info

Publication number
CN113283403A
CN113283403A CN202110824499.8A CN202110824499A CN113283403A CN 113283403 A CN113283403 A CN 113283403A CN 202110824499 A CN202110824499 A CN 202110824499A CN 113283403 A CN113283403 A CN 113283403A
Authority
CN
China
Prior art keywords
video
network
face
definition
compressed
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.)
Granted
Application number
CN202110824499.8A
Other languages
English (en)
Other versions
CN113283403B (zh
Inventor
邹勤
曹申豪
涂卫平
任延珍
王中元
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202110824499.8A priority Critical patent/CN113283403B/zh
Publication of CN113283403A publication Critical patent/CN113283403A/zh
Application granted granted Critical
Publication of CN113283403B publication Critical patent/CN113283403B/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
    • G06V40/161—Detection; Localisation; Normalisation
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • 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
    • G06V40/40—Spoof detection, e.g. liveness detection

Landscapes

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

Abstract

本发明公开了一种基于对抗学习的伪造人脸视频检测方法。本方法采用深度卷积神经网络和递归神经网络相结合的方式，构建了一种端到端的双分支深度学习模型，使用对抗学习和度量学习的训练策略，提取具有压缩鲁棒性的特征。本方法采用对抗学习策略，将压缩视频和原始视频映射到一个具有压缩鲁棒性的编码空间中，同时采用度量学习策略，缩小成对视频的编码距离，从而提取视频帧内和帧间具有压缩鲁棒性的伪造特征。本发明对输入的压缩人脸视频进行真伪检测，输出视频的真假标签，有效克服了压缩场景下伪造人脸视频中伪造信息衰减难以检测的难题，提高了检测的准确率。

Description

基于对抗学习的伪造人脸视频检测方法
技术领域
本发明涉及人工智能和信息安全领域，具体涉及一种基于对抗学习的伪造人脸视频的检测方法。
背景技术
随着智能手机和移动互联网的快速发展，视频，特别是短视频，已经成为人们社会生活中信息获取、传播和交流的重要载体，例如抖音小视频、微信短视频等。然而，由于深度学习的一个分支 - 深度伪造（Deepfake）技术的发展，视频数据的内容安全正受到越来越大的挑战。这些以假乱真的深度伪造人脸视频在网络上肆意传播，不仅给普通群众带来生活烦恼，而且给国家政治经济安全造成巨大隐患。
现有的伪造人脸检测技术大多针对人脸图像进行设计，它们由于缺少时序信息，很难有效检测伪造人脸视频。伪造人脸视频技术通过对部分人脸区域进行修改，必然包含图像的裁剪、拼接等操作，这就引入了伪造“痕迹”。这些“痕迹”主要表现在：（1）在视频生成过程中，没有考虑视频帧的关联性，生成的视频帧间存在不一致性，如帧跳跃、前后两帧生成细节存在差异；（2）生成的人脸视频缺乏正常的生物信息，如眨眼、微表情等。这些差异和缺陷可作为判别视频真伪的依据。然而，在实际场景中，媒体平台为节省传输的带宽，往往对视频进行压缩操作。经过压缩之后，伪造“痕迹”将变淡，伪造的特征变得“模糊”，从而增加检测的难度。因此，开展针对压缩深度伪造视频检测的研究，具有重要的现实意义。
压缩伪造视频中的伪造特征可以视为高清伪造视频中伪造特征的子集，主要基于以下两点：（1）在视频压缩算法中，部分代表高频信息的系数被设置为0，而低频和中频系数大部分保持不变。因此，伪造视频经压缩后仅丢失了高频判别特征。（2）压缩算法不会修改操作区域和视频帧的相对位置，因此伪造视频中相邻帧间的不一致性在压缩后仍然存在。因而，可以利用这种成对伪造视频中伪造特征的包含关系，设计神经网络结构和训练策略，最大限度地提取压缩伪造视频中的伪造特征。
基于以上分析，本发明提出了一种基于对抗学习的伪造人脸视频检测的深度学习方法。本发明致力于无缝集成卷积神经网络和递归神经网络，同时提取帧内伪造特征和帧间伪造特征，结合对抗学习和度量学习训练策略，研究和探索出一种适用于压缩伪造人脸视频检测方法。
发明内容
本发明为了提高伪造人脸视频检测的准确度，特别是增加对压缩伪造人脸视频的检测精度，提出了一种基于对抗学习的伪造人脸视频的检测方法。所发明的方法，其输入为一个视频中多帧连续的图像序列，输出为真或假的标签。本发明所设计的基于对抗学习的伪造人脸视频检测方法，包含以下步骤：
步骤S1，构建成对的伪造人脸视频帧数据集，所述数据集中的每一个样本包含成对的多帧高清人脸图像和多帧压缩人脸图像；
步骤S2，构建双分支深度学习网络模型，该模型包括卷积神经网络、递归神经网络和判别器；其中，第一个分支输入数据为高清人脸视频，第二个分支输入数据为压缩人脸视频；其中，卷积神经网络和递归神经网络分别嵌入了注意力模块，卷积网络的注意力模块使网络关注单幅视频帧内的兴趣区，递归网络的注意力模块使网络关注视频序列帧中的兴趣帧；
步骤S3，利用S1构建的图像数据集对步骤S2构建的深度学习模型进行训练，训练策略包含对抗学习和度量学习；通过对抗学习，使其判别器不能区分输入的视频是高清的还是压缩的，从而让网络提取具有压缩不变性的视频特征；通过度量学习，将成对的压缩和高清视频映射到欧式编码空间，并通过缩小二者在编码空间的距离，促使压缩分支学习到更有效的伪造特征。
步骤S4，利用步骤S3训练好的模型进行压缩伪造人脸视频检测。
进一步地，所述步骤S1具体为：
步骤S1-1，收集M个高清真实视频和M个伪造高清视频，并采用视频压缩算法，对每个高清真实视频和伪造高清视频进行压缩，得到M个压缩真实视频和M个压缩伪造视频；对每个视频标注真假标签。
步骤S1-2，将每个高清视频中抽取包含L帧连续的人脸图像，并使用人脸检测算法，裁剪出人脸区域，并保存人脸区域位置，得到长度为L的高清人脸视频帧序列；对于每一个压缩视频，抽取对应高清视频的L帧，并根据保存的人脸区域位置裁剪出人脸区域，得到长度为L的压缩人脸视频帧序列；
步骤S1-3，经过上面两步的处理，得到2×M个数据样本，每个样本包含长度为L的高清人脸图像和长度为L的压缩人脸图像，并且每个样本具有真假标签；将2×M个样本作为成对的伪造人脸图像数据集。
进一步地，构造的数据集是成对的高清人脸视频帧序列和压缩人脸视频帧序列。
进一步地，所述构建深度学习网络为一个双分支的端到端网络，第一个分支输入数据为高清人脸视频，第二个分支输入数据为压缩人脸视频；所述深度学习网络集成卷积网络、递归网络和判别器进行特征提取；所述卷积网络和递归网络分别采用注意力机制构建，其中，卷积网络的注意力模块使网络关注单幅视频帧内的兴趣区，递归网络的注意力模块使网络关注视频序列帧中的兴趣帧；
基于同一发明构思，本发明还设计了一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现基于对抗学习的伪造人脸视频检测方法。
基于同一发明构思，本方案还设计了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现基于对抗学习的伪造人脸视频检测方法。
本发明的优点：
1.本发明创新性地构建了一个双分支的端到端的深度学习网络，它由高清网络分支、压缩网络分支和判别网络组成；每个分支由编码网络和长短时记忆网络组成，编码网络为卷积神经网络和全连接网络，能发挥提取单张图像的伪造信息，而长短时记忆网络能高效处理时序的多帧图像数据，提取多帧间的伪造信息。
2.本发明创新性使用对抗学习训练策略，将压缩图像和高清图像映射到一个公共特征空间，能够提取具有压缩鲁棒性的伪造特征，提高检测准确率。
3.本发明创新性使用度量学习训练策略，将成对的压缩和高清视频映射到欧式编码空间，并缩小二者在编码空间的距离，促使压缩分支学习到更多的伪造特征，提高检测准确率。
4.本发明创新性使用注意力机制迁移策略，将高清网络分支中注意力模块学习到的帧内兴趣域和兴趣帧迁移到压缩分支学习中，使得压缩分支能够关注帧内伪造区域和关键帧，进而提高检测准确率。
附图说明
图1是本发明实施例的深度学习神经网络总体架构图。
图2是本发明的系统流程图。
具体实施方式
现有的伪造人脸视频检测方法，应用于压缩视频的检测时，由于伪造特征的衰减，检测正确率减低。本发明提出压缩伪造人脸视频检测方法。本方法构建成对的高清和压缩人脸图像序列，搭建双分支的端到端神经网络，结合卷积神经网络和递归神经网络提取帧内和帧间伪造特征，利用对抗学习和度量学习的训练策略最大限度提取具有压缩鲁棒性的伪造特征，提高了压缩伪造人脸视频的检测准确率。
本发明提供的方法设计了一种新型的双分支的深度学习网络模型，其总体结构参见图1。其具体实施例包含以下步骤：
步骤S1，构建成对的伪造人脸视频帧数据集，所述数据集中的每一个样本包含成对的长度为L的高清人脸图像序列和长度为L的压缩人脸图像序列。具体实施过程说明如下：
步骤S1-1，采集M个高清真实视频和M个伪造高清视频，并采用视频压缩算法，对每个高清真实视频和伪造高清视频进行压缩，得到M个压缩真实视频和M个压缩高清视频；对每个视频标注真假标签。
步骤S1-2，将每个高清视频中抽取包含L帧连续的人脸图像，并使用人脸检测算法，裁剪出人脸区域，并保存人脸区域位置，得到长度为L的高清人脸图像序列；对于每一个压缩视频，抽取对于高清视频的L帧，并根据保存的人脸区域位置裁剪出人脸区域，得到长度为L的压缩人脸图像序列；
步骤S1-3，经过上面两步的处理，得到2×M个数据样本，每个样本包含长度为L的高清人脸图像和长度为L的压缩人脸图像，并且每个样本具有真假标签；将2×M个样本作为成对的伪造人脸图像数据集。
步骤S2，构建深度学习网络模型，该模型包括压缩分支和非压缩分支和一个判别网络，每个分支由编码网络和递归神经网络组成；编码网络为卷积网络和全连接网络，包含卷积层、池化层和全连接层；递归神经网络采用长短时记忆网络；判别网络为全连接网络；卷积网络和递归网络分别采用注意力机制构建；具体的步骤为：
S2-1，将一个样本的长度为L的高清人脸图像序列输入高清网络分支，经过高清网络分支的编码网络，输出L个高清特征向量，高清网络分支的注意力模块输出L个帧内伪造区域热度图；将一个样本的长度为L的压缩人脸图像序列输入压缩网络分支，经过压缩网络分支的编码网络，输出L个压缩特征向量，压缩网络分支的注意力模块输出L个帧内伪造区域热度图；
S2-2，将上一步得到的L个高清特征向量作为L个时序信号输入高清分支长短时记忆网络，递归网络的注意力模块输出L个和为1的权重数值，表示单个视频帧中伪造信息对全局信息的贡献值，对长短时记忆网络每个时刻的输出的加权平均值作为高清全局特征向量；将上一步得到的L个压缩特征向量作为L个时序信号输入压缩分支长短时记忆网络，对长短时记忆网络每个时刻的输出的加权平均作为压缩全局特征向量；
S2-3，将上一步得到的将L个成对的高清和压缩特征向量分别按照（高清，压缩）和（压缩，高清）的次序进行拼接，得到2×L个拼接特征向量；将2×L个拼接特征向量输入到判别层网络，如果以（高清，压缩）的次序拼接，判别器的监督标签为1，反之标签为0。
其中，步骤S2中编码网络使用XceptionNet为基准网络，全连接层的节点个数为1024；步骤S2中长短时记忆网络采用双层结构；步骤S2中判别网络为三层全连接神经网络，节点个数分别为2048、512、1。
步骤S3，利用S1构建的成对图像序列数据集对步骤S2构建的深度学习模型进行训练；
S3-1，在步骤S2-1中，得到L个高清特征向量和L个压缩特征向量，设V H 为第t个高清特征向量，V L 为第t个压缩特征向量，分别正序和逆序拼接V H 和V L ，得到拼接后的特征向量concat(V H， V L )和concat(V L， V H )。将concat(V H， V L )和concat(V L， V H )送入到判别网络，得到对抗损失函数：
Figure 590923DEST_PATH_IMAGE001
并通过最小-最大优化求解：
Figure 242485DEST_PATH_IMAGE002
其中E H 为高清分支编码网络，E L 为压缩分支编码网络，
Figure 363500DEST_PATH_IMAGE004
表示样本排列满足(V H， V L )顺序的数量。
S3-2，在步骤S2-1中，得到一个高清全局特征向量C h 和一个压缩全局特征向量C l ，使用度量学习策略进行训练，使得在欧式编码空间中，真实样本的全局特征向量距离圆心的距离小于r—，而伪造样本的全局特征向量距离圆心的距离大于r+，同时应有，成对的C h 和C l 的编码距离接近。定义度量学习损失函数：
Figure 696392DEST_PATH_IMAGE005
其中，h t 为高清视频样本，l t 为压缩视频样本， λ 3 为距离权重系数。
S3-3，在步骤S2-1中，高清网络分支的卷积注意力模块输出L个帧内伪造区域热度 图
Figure 448448DEST_PATH_IMAGE006
，压缩网络分支的卷积注意力模块输出L个帧内伪造区域热度图
Figure 739752DEST_PATH_IMAGE007
；其中
Figure 944468DEST_PATH_IMAGE008
是真实伪 造区域掩码，N是注意力图的像素数，使用全零作为真实人脸的
Figure 815472DEST_PATH_IMAGE009
。对于每个成对的热度 图，卷积网络的注意力损失如下：
Figure 828559DEST_PATH_IMAGE010
在步骤S2-2中，高清网络分支的递归注意力模块输出长度为L的权重向量
Figure 762535DEST_PATH_IMAGE011
，压缩 网络分支的递归注意力模块输出长度为L的权重向量
Figure 251285DEST_PATH_IMAGE012
，计算
Figure 925980DEST_PATH_IMAGE013
的L2损失作为递归注 意力模块的迁移损失。
以注意力机制损失
Figure 121469DEST_PATH_IMAGE014
、对抗学习损失
Figure 161101DEST_PATH_IMAGE015
和度量学习损失
Figure DEST_PATH_IMAGE016
为目标，使用反向 传播算法对S-2中网络结构进行训练；
卷积网络的注意力模块以真实伪造区域标注为监督进行有监督训练的；
递归网络的注意力模块以自监督学习进行无监督训练的。
步骤S4，利用步骤S3训练好的深度学习模型，从待检测压缩视频中抽取L个连续 帧，并使用人脸检测算法裁剪出人脸区域。将L个人脸图像输入到压缩网络分支中，得到在 编码空间中到原点的距离，如果距离大于
Figure DEST_PATH_IMAGE017
，则判定为伪造，反之判定为真实。
本发明创新性地构建了一个双分支的端到端的深度学习网络，它由高清网络分支、压缩网络分支和判别网络组成；每个分支由编码网络和长短时记忆网络组成，编码网络为卷积神经网络和全连接网络，能发挥提取单张图像的伪造信息，而长短时记忆网络能高效处理时序的多帧图像数据，提取多帧间的伪造信息。
本发明创新性使用对抗学习训练策略，将压缩图像和高清图像映射到一个公共特征空间，能够提取具有压缩鲁棒性的伪造特征，提高检测准确率。
本发明创新性使用度量学习训练策略，将成对的压缩和高清视频映射到欧式编码空间，并缩小二者在编码空间的距离，促使压缩分支学习到更多的伪造特征，提高检测准确率。
本发明创新性使用注意力机制迁移策略，将高清网络分支中注意力模块学习到的帧内兴趣域和兴趣帧迁移到压缩分支学习中，使得压缩分支能够关注帧内伪造区域和关键帧，进而提高检测准确率。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (6)

1.一种基于对抗学习的伪造人脸视频检测方法，其特征在于，包括以下步骤：
步骤S1，构建成对的伪造人脸视频帧数据集，所述数据集中的每一个样本包含成对的多帧高清人脸图像和多帧压缩人脸图像；
步骤S2，构建双分支深度学习网络模型，该模型包括卷积神经网络、递归神经网络和判别器；其中，第一个分支输入数据为高清人脸视频，第二个分支输入数据为压缩人脸视频；其中，卷积神经网络和递归神经网络分别嵌入了注意力模块，卷积网络的注意力模块使网络关注单幅视频帧内的兴趣区，递归网络的注意力模块使网络关注视频序列帧中的兴趣帧；
步骤S3，利用S1构建的图像数据集对步骤S2构建的深度学习模型进行训练，训练策略包含对抗学习和度量学习；通过对抗学习，使其判别器不能区分输入的视频是高清的还是压缩的，从而让网络提取具有压缩不变性的视频特征；通过度量学习，将成对的压缩和高清视频映射到欧式编码空间，并通过缩小二者在编码空间的距离，促使压缩分支学习到更有效的伪造特征；
步骤S4，利用步骤S3训练好的模型进行压缩伪造人脸视频检测。
2.根据权利要求1所述的方法，其特征在于：所述步骤S1具体为：
步骤S1-1，收集M个高清真实视频和M个伪造高清视频，并采用视频压缩算法，对每个高清真实视频和伪造高清视频进行压缩，得到M个压缩真实视频和M个压缩伪造视频；对每个视频标注真假标签；
步骤S1-2，将每个高清视频中抽取包含L帧连续的人脸图像，并使用人脸检测算法，裁剪出人脸区域，并保存人脸区域位置，得到长度为L的高清人脸视频帧序列；对于每一个压缩视频，抽取对应高清视频的L帧，并根据保存的人脸区域位置裁剪出人脸区域，得到长度为L的压缩人脸视频帧序列；
步骤S1-3，经过上面两步的处理，得到2×M个数据样本，每个样本包含长度为L的高清人脸图像和长度为L的压缩人脸图像，并且每个样本具有真假标签；将2×M个样本作为成对的伪造人脸图像数据集。
3.根据权利要求1所述的方法，其特征在于：构造的数据集是成对的高清人脸视频帧序列和压缩人脸视频帧序列。
4.根据权利要求1所述的方法，其特征在于：所述构建深度学习网络为一个双分支的端到端网络，第一个分支输入数据为高清人脸视频，第二个分支输入数据为压缩人脸视频；所述深度学习网络集成卷积网络、递归网络和判别器进行特征提取；所述卷积网络和递归网络分别采用注意力机制构建，其中，卷积网络的注意力模块使网络关注单幅视频帧内的兴趣区，递归网络的注意力模块使网络关注视频序列帧中的兴趣帧。
5.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
6.一种计算机可读介质，其上存储有计算机程序，其特征在于：所述程序被处理器执行时实现如权利要求1-4中任一所述的方法。
CN202110824499.8A 2021-07-21 2021-07-21 基于对抗学习的伪造人脸视频检测方法 Active CN113283403B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110824499.8A CN113283403B (zh) 2021-07-21 2021-07-21 基于对抗学习的伪造人脸视频检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110824499.8A CN113283403B (zh) 2021-07-21 2021-07-21 基于对抗学习的伪造人脸视频检测方法

Publications (2)

Publication Number Publication Date
CN113283403A true CN113283403A (zh) 2021-08-20
CN113283403B CN113283403B (zh) 2021-11-02

Family

ID=77286855

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110824499.8A Active CN113283403B (zh) 2021-07-21 2021-07-21 基于对抗学习的伪造人脸视频检测方法

Country Status (1)

Country Link
CN (1) CN113283403B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113822377A (zh) * 2021-11-19 2021-12-21 南京理工大学 基于对比自学习的伪造人脸检测方法
CN114093013A (zh) * 2022-01-19 2022-02-25 武汉大学 一种深度伪造人脸逆向溯源方法及系统
CN114694220A (zh) * 2022-03-25 2022-07-01 上海大学 一种基于Swin Transformer的双流人脸伪造检测方法
CN116206375A (zh) * 2023-04-28 2023-06-02 南京信息工程大学 基于双层孪生网络和可持续学习的人脸伪造检测方法
CN116486464A (zh) * 2023-06-20 2023-07-25 齐鲁工业大学(山东省科学院) 一种基于注意力机制的卷积对抗网络的人脸伪造检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109902601A (zh) * 2019-02-14 2019-06-18 武汉大学 一种结合卷积网络和递归网络的视频目标检测方法
WO2019225799A1 (ko) * 2018-05-23 2019-11-28 한국과학기술원 딥러닝 생성 모델을 이용한 사용자 정보 삭제 방법 및 장치
CN111126190A (zh) * 2019-12-10 2020-05-08 武汉大学 一种基于自由能理论和动态纹理分析的伪装人脸识别方法
CN111274429A (zh) * 2020-01-14 2020-06-12 广东工业大学 一种基于gan的数据增强的无监督商标检索系统及方法
WO2020159890A1 (en) * 2019-01-29 2020-08-06 Nvidia Corporation Method for few-shot unsupervised image-to-image translation
CN111724770A (zh) * 2020-05-19 2020-09-29 中国电子科技网络信息安全有限公司 一种基于深度卷积生成对抗网络的音频关键词识别方法
CN111967427A (zh) * 2020-08-28 2020-11-20 广东工业大学 一种伪造人脸视频鉴别方法、系统和可读存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019225799A1 (ko) * 2018-05-23 2019-11-28 한국과학기술원 딥러닝 생성 모델을 이용한 사용자 정보 삭제 방법 및 장치
WO2020159890A1 (en) * 2019-01-29 2020-08-06 Nvidia Corporation Method for few-shot unsupervised image-to-image translation
CN109902601A (zh) * 2019-02-14 2019-06-18 武汉大学 一种结合卷积网络和递归网络的视频目标检测方法
CN111126190A (zh) * 2019-12-10 2020-05-08 武汉大学 一种基于自由能理论和动态纹理分析的伪装人脸识别方法
CN111274429A (zh) * 2020-01-14 2020-06-12 广东工业大学 一种基于gan的数据增强的无监督商标检索系统及方法
CN111724770A (zh) * 2020-05-19 2020-09-29 中国电子科技网络信息安全有限公司 一种基于深度卷积生成对抗网络的音频关键词识别方法
CN111967427A (zh) * 2020-08-28 2020-11-20 广东工业大学 一种伪造人脸视频鉴别方法、系统和可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SHENHAO CAO.ET.: "Metric Learning for Anti-Compression Facial Forgery Detection", 《COMPUTER VISION AND PATTERN RECOGNITION》 *
李旭嵘: "深度视觉对抗技术研究", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113822377A (zh) * 2021-11-19 2021-12-21 南京理工大学 基于对比自学习的伪造人脸检测方法
CN113822377B (zh) * 2021-11-19 2022-02-25 南京理工大学 基于对比自学习的伪造人脸检测方法
CN114093013A (zh) * 2022-01-19 2022-02-25 武汉大学 一种深度伪造人脸逆向溯源方法及系统
CN114093013B (zh) * 2022-01-19 2022-04-01 武汉大学 一种深度伪造人脸逆向溯源方法及系统
CN114694220A (zh) * 2022-03-25 2022-07-01 上海大学 一种基于Swin Transformer的双流人脸伪造检测方法
CN116206375A (zh) * 2023-04-28 2023-06-02 南京信息工程大学 基于双层孪生网络和可持续学习的人脸伪造检测方法
CN116206375B (zh) * 2023-04-28 2023-07-25 南京信息工程大学 基于双层孪生网络和可持续学习的人脸伪造检测方法
CN116486464A (zh) * 2023-06-20 2023-07-25 齐鲁工业大学(山东省科学院) 一种基于注意力机制的卷积对抗网络的人脸伪造检测方法
CN116486464B (zh) * 2023-06-20 2023-09-01 齐鲁工业大学(山东省科学院) 一种基于注意力机制的卷积对抗网络的人脸伪造检测方法

Also Published As

Publication number Publication date
CN113283403B (zh) 2021-11-02

Similar Documents

Publication Publication Date Title
CN113283403B (zh) 基于对抗学习的伪造人脸视频检测方法
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
CN109063565B (zh) 一种低分辨率人脸识别方法及装置
CN113269077B (zh) 基于改进门控网络和残差网络的水声通信信号调制方式识别方法
CN111582092B (zh) 一种基于人体骨架的行人异常行为检测方法
CN113449660B (zh) 基于自注意增强的时空变分自编码网络的异常事件检测方法
CN104504395A (zh) 基于神经网络实现人车分类的方法和系统
CN113536972B (zh) 一种基于目标域伪标签的自监督跨域人群计数方法
CN112995150B (zh) 一种基于cnn-lstm融合的僵尸网络检测方法
CN113537110B (zh) 一种融合帧内帧间差异的虚假视频检测方法
CN113128360A (zh) 基于深度学习的司机驾驶行为检测与识别方法
CN109271912A (zh) 视频分类方法、装置、电子设备及存储介质
CN114332573A (zh) 基于注意力机制的多模态信息融合识别方法及系统
Li et al. Image manipulation localization using attentional cross-domain CNN features
CN115062706A (zh) 森林火灾监测方法及装置、存储介质、电子设备
CN114861761A (zh) 一种基于孪生网络特征与几何验证的回环检测方法
CN109002808B (zh) 一种人体行为识别方法及系统
CN114693607A (zh) 基于多域块特征标志点配准的篡改视频检测方法及系统
CN113689382A (zh) 基于医学影像和病理图像的肿瘤术后生存期预测方法及系统
CN112668532A (zh) 基于多阶段混合注意网络的人群计数方法
CN115331135A (zh) 基于多域特征区域标准分数差异的Deepfake视频检测方法
CN114429646A (zh) 基于深度自注意力变换网络的步态识别方法
Wei et al. Pedestrian anomaly detection method using autoencoder
Lian et al. A novel forgery classification method based on multi‐scale feature capsule network in mobile edge computing
CN113807232B (zh) 基于双流网络的伪造人脸检测方法、系统及存储介质

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