CN113326400B - 基于深度伪造视频检测的模型的评价方法及系统 - Google Patents

基于深度伪造视频检测的模型的评价方法及系统 Download PDF

Info

Publication number
CN113326400B
CN113326400B CN202110728869.8A CN202110728869A CN113326400B CN 113326400 B CN113326400 B CN 113326400B CN 202110728869 A CN202110728869 A CN 202110728869A CN 113326400 B CN113326400 B CN 113326400B
Authority
CN
China
Prior art keywords
model
detection
video
score
scored
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
CN202110728869.8A
Other languages
English (en)
Other versions
CN113326400A (zh
Inventor
田辉
彭胜聪
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.)
Hefei High Dimensional Data Technology Co ltd
Original Assignee
Hefei High Dimensional Data Technology Co ltd
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 Hefei High Dimensional Data Technology Co ltd filed Critical Hefei High Dimensional Data Technology Co ltd
Priority to CN202110728869.8A priority Critical patent/CN113326400B/zh
Publication of CN113326400A publication Critical patent/CN113326400A/zh
Application granted granted Critical
Publication of CN113326400B publication Critical patent/CN113326400B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/018—Certifying business or products
    • G06Q30/0185—Product, service or business identity fraud
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Library & Information Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Image Analysis (AREA)

Abstract

本发明特别涉及一种基于深度伪造视频检测的模型的评价方法，包括如下步骤：S100、将待评分模型导入；S200、从视频样本库随机挑选指定数量的样本得到样本集，视频样本库中存储有视频以及该视频的真伪标记；S300、将样本集输入待评分模型中进行真伪识别；S400、将识别结果与样本的实际真伪进行比较，得到待评分模型指定评分指标的测量值P1；S500、根据测量值P1进行自动评分得到待评分模型的得分并输出。本发明可以筛选出高价值检测模型纳入到专业的深度伪造检测防御系统中，实现深度检测防御系统的构建，打造和巩固网络安全防线；还可以促进深度伪造检测模型技术的持续向前发展，并吸引深度伪造模型研发人员参与到视频样本库的不断完善中，达到一种良性循环。

Description

基于深度伪造视频检测的模型的评价方法及系统
技术领域
本发明涉及深度伪造视频检测技术领域，特别涉及一种基于深度伪造视频检测的模型的评价方法及系统。
背景技术
深度伪造（Deepfake）技术不仅能实现换脸，更可以创造出现实不存在的人物。通过该技术在理论上可以制作出指定任何人、说任何话、做任何事的虚假音视频。尽管深度伪造技术有其积极的一面,如在电影制作中创建虚拟角色、声音模拟;“复活”历史人物或已逝的亲朋好友等。但恶意的深度伪造内容可以用于误导舆论、扰乱社会秩序,甚至可能会干预政府选举和颠覆国家政权,已成为当前新一轮信息战的武器,给国家网络安全、数据安全、信息安全和国防安全带来了巨大威胁。
因此发展深度伪造检测检测技术是关系到国家信息安全的大事，目前各企业各科研机构和院校正在集中力量进行这方面的研究。但是如何相对客观的评价各个团队研发出来的深度伪造检测模型在真实场景下的检测能力水平高低，如何从中筛选出高价值模型应用到实战中服务于国家安全的防御，这个在目前市面上并没有一个比较有效的手段和方法。通常的做法是各个团队通过一些开放的或私有的局部样本集来训练和测试自己的模型，然后对比准确率得出模型的能力，比如名称为《深度伪造图像检测方法及装置》（申请号：202011352811.X）和名称为《基于时序不一致性的深度伪造视频检测方法及系统》（申请号：202011417127.5）的专利。
实战中所需要的模型往往是一些泛化性较高的模型，能够对大部分的深度伪造视频进行有效的检测和拦截。但是目前的深度伪造视频的检测模型的性能和能力评价一般是由模型研究者在有限的特定样本集或特定的场景下的通过log loss等算法评估出来的。这样评估出来的模型能力在实际应用场景中的效果和能力无法得到较为客观的评价，且无法与其他算法进行对比或有效协同，使得最终模型的实际落地应用意义大为降低。
发明内容
本发明的首要目的在于提供一种基于深度伪造视频检测的模型的评价方法，可以方便的对待测模型进行评分。
为实现以上目的，本发明采用的技术方案为：一种基于深度伪造视频检测的模型的评价方法，包括如下步骤：S100、将待评分模型导入；S200、从视频样本库随机挑选指定数量的样本得到样本集，视频样本库中存储有视频以及该视频的真伪标记；S300、将样本集输入待评分模型中进行真伪识别；S400、将识别结果与样本的实际真伪进行比较，得到待评分模型指定评分指标的测量值P1；S500、根据测量值P1进行自动评分得到待评分模型的得分并输出。
与现有技术相比，本发明存在以下技术效果：通过建立公共的视频样本库，提供丰富的模拟现实场景视频数据集来测评深度伪造检测模型的能力水平，一方面可以筛选出高价值检测模型纳入到专业的深度伪造检测防御系统中，实现深度检测防御系统的构建，打造和巩固网络安全防线；另一方面可以促进深度伪造检测模型技术的持续向前发展，并吸引深度伪造模型研发人员参与到视频样本库的不断完善中，达到一种良性循环。
本发明的另一个目的在于提供一种基于深度伪造视频检测的模型的评价系统，可以方便的对待测模型进行评分。
为实现以上目的，本发明采用的技术方案为：一种基于深度伪造视频检测的模型的评价系统，包括视频样本库、智能检测评分模块以及任务智能调度模块；所述的视频样本库中存储有视频以及该视频的真伪标记；任务智能调度模块对自动评分的任务进行设置，且从视频样本库中抽样出指定数量样本的样本集并执行评分任务的调度工作；智能检测评分模块预设评价指标并根据任务执行结果依照步骤S100-S500自动计算模型得分。
与现有技术相比，本发明存在以下技术效果：通过建立公共的视频样本库，提供丰富的模拟现实场景视频数据集来测评深度伪造检测模型的能力水平，一方面可以筛选出高价值检测模型纳入到专业的深度伪造检测防御系统中，实现深度检测防御系统的构建，打造和巩固网络安全防线；另一方面可以促进深度伪造检测模型技术的持续向前发展，并吸引深度伪造模型研发人员参与到视频样本库的不断完善中，达到一种良性循环。
附图说明
图1是本发明的系统架构图；
图2是本发明运行流程图；
图3是视频样本库的抽样流程图；
图4是本发明的评分流程图。
具体实施方式
下面结合图1至图4，对本发明做进一步详细叙述。
本发明公开了一种基于深度伪造视频检测的模型的评价方法，包括如下步骤：S100、将待评分模型导入；S200、从视频样本库随机挑选指定数量的样本得到样本集，视频样本库中存储有视频以及该视频的真伪标记；S300、将样本集输入待评分模型中进行真伪识别；S400、将识别结果与样本的实际真伪进行比较，得到待评分模型指定评分指标的测量值P1；S500、根据测量值P1进行自动评分得到待评分模型的得分并输出。通过建立公共的视频样本库，提供丰富的模拟现实场景视频数据集来测评深度伪造检测模型的能力水平，一方面可以筛选出高价值检测模型纳入到专业的深度伪造检测防御系统中，实现深度检测防御系统的构建，打造和巩固网络安全防线；另一方面可以促进深度伪造检测模型技术的持续向前发展，并吸引深度伪造模型研发人员参与到视频样本库的不断完善中，达到一种良性循环。
参阅图4，由于视频样本库中的样本非常多，所以我们上面需要从库中随机挑出指定数量的样本，考虑到样本挑选的随机性，当挑选不同的样本时，所得到的评分也会有所差异，为了让评分结果更加稳定可靠，本案中优选地，引入了评分校正流程，具体步骤如下：内置一个参考模型，步骤S300和S400中，同时将样本输入参考模型中得到参考模型的测量值P0，步骤S500中，待评分模型的得分等于a+k*(b-a)*(P1-P0)/P0，式中：k为激励系数，分别表示该项评价指标是正激励还是负激励，分别用1和-1来表示，正激励即测量值越大评分越高，负激励即测量值越小评分越高，以检测速度为例，检测时间越小，模型的评分应当越高，此时P1-P0为负值，故此时的k取-1，其为负激励。
这里的a为参考模型的预设分值，b为得分的满分数值，参考模型可以用更多的样本进行更充分的检测，这样就可以对参考模型的实际能力有更加直观的判断，然后根据参考模型的表现为其分配一个预设分值，这个分值a相当于一个参考基准，以后所有其他的待评分模型的评分都是根据该基准来的，如果待评分模型比参考模型的的测量值更优，其评分就高于a，如果待评分模型比参考模型的测量值更劣势，其评分就低于a，这样最后对所有模型进行的评分更具参考价值，最重要的是，该评分结果不会随着样本集的不同而产生较大差异，这样就可以保证评分结果浮动小、更具参考价值。
当然，这里的参考模型可以不止一个，我们可以设置多个参考模型，并为每个参考模型都设置一个预设分值，然后我们针对每个参考模型都可以为待评分模型进行打分，最后将所有打分求均值也可以实现更为合理的打分。
对于待评分模型来说，我们一般有几个维度来对其进行评价，故本案中优选地，所述的测量值包括检测速度、检测正确率、假阳率、假阴率中的一种或多种，智能检测评分模块输出的是每项得分和/或多项得分加权平均后的最终得分。我们可以根据实际需要，选择上述测量值中的一种或多种，也可以根据其他要求增加其他的测量值。同时，我们最后对待评分模型的打分，可以是针对每个测量值进行独立打分，从而得到多个分值，也可以对所有分值进行加权平均得到综合得分，也可以全部都体现出来，这个一般根据实际需要进行选择即可。
进一步地，所述的参考模型得分a取值为[50,90]，满分数值b等于100，测量值包括检测速度、检测正确率、假阳率、假阴率四种且它们对应的k分别为-1、1、-1、-1。参考模型因为所选模型的不同，以及主观打分的原因，其分值a会有浮动，比如本实施例中，我们对检测速度50s、检测正确率90%、假阳率5%、假阴率5%的模型，认为其评分表现较好，可以打80分，在执行评分步骤时，a的值是确定的，这上面a的取值范围表示我们在对所选的参考模型进行主观评分时的可选范围。对于测量速度而言，其时间越小，最后的得分越高，故其是负激励；检测正确率越高，最后的得分越高，故其是正激励；假阳率和假阴率同理，都是越低越好，故其是负激励。
以上实施例中，我们可以对待评分模型的各项参数进行单独评分，但这不利于两个模型的综合比较，故这里优选地，所述智能检测评分模块输出的是多项得分加权平均后的最终得分，检测速度、检测正确率、假阳率、假阴率对应的权值分别是10%、60%、10%、20%。这个权值，我们可以根据实际情况进行调节，比如我们对检测速度要求高，那么我们可以提高检测速度的权值；如果我们对假阳率要求高，那么我们可以提高假阳率的权值，具体可根据实际情况进行取值，上述权值仅供参考。
下面通过具体的实例来对上面的评分进行说明，参见下表：
上表中，参考模型的各项分值及综合评分均为80分；待检模型的各项评分可以根据公式算出，其待检模型按照权值算出来的综合得分是：79.868分。
参与图3，从视频样本库中挑选出N个样本构成样本集，有很多中随机方式。本发明中优选地，所述的步骤S200中，包括如下步骤：S201、从1~M中随机取出一个数x1，其中M为视频样本库中的视频总数；S202、以第xn的值作为种子根据公式xn+1=(xn×c＋d）mod M＋1计算得出一个新的随机数，式中，c和d为设定好的整数，mod为取余操作；S203、每次计算出的xn+1的值如果之前出现过则舍弃并重新随机一个数，最终生成指定数量的不重复数值集合{x1、x2、…、xN}，式中N为样本集数量；S204、取出x1、x2、…、xN对应的视频作为样本集。更优选地，所述的c等于1103515245，d等于12345。采用这些步骤随机得到的样本集，随机性更强，这样得到的评分结果更具参考价值。
参阅图1和图2，一种基于深度伪造视频检测的模型的评价系统，包括视频样本库、智能检测评分模块以及任务智能调度模块；所述的视频样本库中存储有视频以及该视频的真伪标记；任务智能调度模块对自动评分的任务进行设置，且从视频样本库中抽样出指定数量样本的样本集并执行评分任务的调度工作；智能检测评分模块预设评价指标并根据任务执行结果依照步骤S100-S500自动计算模型得分。这里采用模块化的方式进行描述，表示能实现相应功能的软件或硬件都可以组成本系统，本系统实际使用时，由软件+硬件组成，其系统架构图如图1所示。
其中，硬件部分主要由带GPU运算能力的服务器集群所组成，并具备一定的存储和算力扩展性。软件部分主要由视频样本库、智能检测评分模块和任务智能调度模块所组成，各个待评分模型通过给定封装标准封装成可接口调用的形式接入本系统中。
整个系统的对接及运行原理可描述为图2所示的流程图，基本流程描述如下：
1、研究团队通过系统提供的标准接口文档对模型调用进行封装，然后将封装包上传到本系统，完成模型的入驻过程。
2、模型入驻成功后，系统可以对模型的功能进行测试，为后续自动评分做功能验证，同时支持模型的更新及下架功能。
3、通过任务智能调度模块的配置，对自动评分的任务进行设置，主要设置任务开始时间、样本集数量、每个样本集样本数量等参数，然后交由智能检测评分模块进行检测评分任务的执行。
4、任务智能调度模块会自动从视频样本库中抽样出含指定数量样本的样本集，然后根据GPU的负载决定同时执行的任务数量。
5、视频样本库可以接受研究团队对样本库的补充和更新。
6、所有样本集检测评分任务结束后，智能检测评分模块通过加权平均的方法完成模型的自动评分。
7、支持评分报告的展现和导出，让研发团队了解模型在模拟现实情况样本环境下的性能。
本发明通过定制化自主录制和开放式广泛采集的方式，形成包含各种深度伪造算法生成的伪造视频和真实视频混合的大规模视频样本库，在一定程度上的模拟了现实情况下的存在的伪造视频环境。辅以与模型分类和对应分类的评价指标体系，从多样本、多维度对模型的检测效果做综合评判打分，从而评估深度伪造检测模型在实战情况下的能力水平。通过本系统可以打造一个第三方深度伪造视频检测平台，通过提供丰富的模拟现实场景视频数据集来测评深度伪造检测模型的能力水平，一方面可以筛选出高价值检测模型纳入到专业的深度伪造检测防御系统中，实现深度检测防御系统的构建，打造和巩固网络安全防线；另一方面可以促进深度伪造检测模型技术的持续向前发展，并吸引深度伪造模型研发人员参与到本发明系统样本库的不断完善中，达到一种良性循环。

Claims (9)

1.一种基于深度伪造视频检测的模型的评价方法，其特征在于：包括如下步骤：
S100、将待评分模型导入；
S200、从视频样本库随机挑选指定数量的样本得到样本集，视频样本库中存储有视频以及该视频的真伪标记；
S300、将样本集输入待评分模型中进行真伪识别；
S400、将识别结果与样本的实际真伪进行比较，得到待评分模型指定评分指标的测量值P1；
S500、根据测量值P1进行自动评分得到待评分模型的得分并输出；
其中，内置一个参考模型，步骤S300和S400中，同时将样本输入参考模型中得到参考模型的测量值P0，步骤S500中，待评分模型的得分计算公式为：a+k*(b-a)*(P1-P0)/P0，式中：k为激励系数，分别表示该项评价指标是正激励还是负激励，分别用1和-1来表示，a为参考模型的预设分值，b为得分的满分数值。
2.如权利要求1所述的基于深度伪造视频检测的模型的评价方法，其特征在于：所述的测量值包括检测速度、检测正确率、假阳率、假阴率中的一种或多种，智能检测评分模块输出的是每项得分和/或多项得分加权平均后的最终得分。
3.如权利要求2所述的基于深度伪造视频检测的模型的评价方法，其特征在于：所述的参考模型得分a取值为[50,90]，满分数值b等于100，测量值包括检测速度、检测正确率、假阳率、假阴率四种且它们对应的k分别为-1、1、-1、-1。
4.如权利要求3所述的基于深度伪造视频检测的模型的评价方法，其特征在于：所述智能检测评分模块输出的是多项得分加权平均后的最终得分，检测速度、检测正确率、假阳率、假阴率对应的权值分别是10%、60%、10%、20%。
5.如权利要求1-4任一项所述的基于深度伪造视频检测的模型的评价方法，其特征在于：所述的步骤S200中，包括如下步骤：
S201、从1~M中随机取出一个数x1，其中M为视频样本库中的视频总数；
S202、以第xn的值作为种子根据公式xn+1=(xn×c＋d）mod M＋1计算得出一个新的随机数，式中，c和d为设定好的整数，mod为取余操作；
S203、每次计算出的xn+1的值如果之前出现过则舍弃并重新随机一个数，最终生成指定数量的不重复数值集合{x1、x2、…、xN}，式中N为样本集数量；
S204、取出x1、x2、…、xN对应的视频作为样本集。
6.如权利要求5所述的基于深度伪造视频检测的模型的评价方法，其特征在于：所述的c等于1103515245，d等于12345。
7.一种基于深度伪造视频检测的模型的评价系统，其特征在于：包括视频样本库、智能检测评分模块以及任务智能调度模块；所述的视频样本库中存储有视频以及该视频的真伪标记；任务智能调度模块对自动评分的任务进行设置，且从视频样本库中抽样出指定数量样本的样本集并执行评分任务的调度工作；智能检测评分模块预设评价指标并根据如权利要求1至6中任一种所述方法自动计算模型得分。
8.如权利要求7所述的基于深度伪造视频检测的模型的评价系统，其特征在于：所述任务智能调度模块用于自动设置和调度检测任务的执行，包括设置任务开始时间、样本集数量、每个样本集中样本数量、根据待测模型数量和系统负载安排并行执行的任务数量；智能检测评分模块用于调整评价激励系数、设置权重。
9.如权利要求7所述的基于深度伪造视频检测的模型的评价系统，其特征在于：待检测的模型通过给定的封装标准封装成可接口调用的形式接入本系统中；视频样本库中的视频可以补充和更新。
CN202110728869.8A 2021-06-29 2021-06-29 基于深度伪造视频检测的模型的评价方法及系统 Active CN113326400B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110728869.8A CN113326400B (zh) 2021-06-29 2021-06-29 基于深度伪造视频检测的模型的评价方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110728869.8A CN113326400B (zh) 2021-06-29 2021-06-29 基于深度伪造视频检测的模型的评价方法及系统

Publications (2)

Publication Number Publication Date
CN113326400A CN113326400A (zh) 2021-08-31
CN113326400B true CN113326400B (zh) 2024-01-12

Family

ID=77425171

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110728869.8A Active CN113326400B (zh) 2021-06-29 2021-06-29 基于深度伪造视频检测的模型的评价方法及系统

Country Status (1)

Country Link
CN (1) CN113326400B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115171198B (zh) * 2022-09-02 2022-11-25 腾讯科技（深圳）有限公司 模型质量评估方法、装置、设备及存储介质
CN115457374B (zh) * 2022-11-09 2023-02-03 之江实验室 基于推理模式评估深伪图像检测模型泛化性方法及装置

Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101482923A (zh) * 2009-01-19 2009-07-15 刘云 视频监控中人体目标的检测与性别识别方法
CN102855681A (zh) * 2011-06-30 2013-01-02 富士施乐株式会社 真伪判断辅助装置和辅助方法、真伪判断装置和方法
CN108646722A (zh) * 2018-07-18 2018-10-12 杭州安恒信息技术股份有限公司 一种工业控制系统信息安全仿真模型及终端
CN109816625A (zh) * 2018-11-27 2019-05-28 广东电网有限责任公司 一种视频质量评分实现方法
CN109886244A (zh) * 2019-03-01 2019-06-14 北京视甄智能科技有限公司 一种人脸识别活体检测方法及装置
CN109902823A (zh) * 2018-12-29 2019-06-18 华为技术有限公司 一种基于生成对抗网络的模型训练方法及设备
CN110428399A (zh) * 2019-07-05 2019-11-08 百度在线网络技术（北京）有限公司 用于检测图像的方法、装置、设备和存储介质
CN110427839A (zh) * 2018-12-26 2019-11-08 西安电子科技大学 基于多层特征融合的视频目标检测方法
CN110929098A (zh) * 2019-11-14 2020-03-27 腾讯科技（深圳）有限公司 视频数据的处理方法、装置、电子设备及存储介质
CN111341383A (zh) * 2020-03-17 2020-06-26 安吉康尔（深圳）科技有限公司 一种检测拷贝数变异的方法、装置和存储介质
CN111401558A (zh) * 2020-06-05 2020-07-10 腾讯科技（深圳）有限公司 数据处理模型训练方法、数据处理方法、装置、电子设备
CN111767877A (zh) * 2020-07-03 2020-10-13 北京视甄智能科技有限公司 一种基于红外特征的活体检测方法
CN112001453A (zh) * 2020-08-31 2020-11-27 北京易华录信息技术股份有限公司 一种视频事件检测算法的准确率计算方法及装置
CN112036902A (zh) * 2020-07-14 2020-12-04 深圳大学 基于深度学习的产品鉴伪方法、装置、服务器及存储介质
CN112200001A (zh) * 2020-09-11 2021-01-08 南京星耀智能科技有限公司 一种指定场景下深度伪造视频识别方法
CN112464245A (zh) * 2020-11-26 2021-03-09 重庆邮电大学 一种面向深度学习图像分类模型的泛化的安全性评估方法
CN112488013A (zh) * 2020-12-04 2021-03-12 重庆邮电大学 基于时序不一致性的深度伪造视频检测方法及系统
CN112749746A (zh) * 2021-01-12 2021-05-04 云南电网有限责任公司电力科学研究院 一种缺陷样本迭代更新方法、系统及装置
CN112749894A (zh) * 2021-01-12 2021-05-04 云南电网有限责任公司电力科学研究院 一种缺陷检测模型评价方法以及装置
CN112766189A (zh) * 2021-01-25 2021-05-07 北京有竹居网络技术有限公司 深度伪造检测方法、装置、存储介质及电子设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3788745A1 (en) * 2017-09-06 2021-03-10 Infovista Sweden AB System and method for machine learning based qoe prediction of voice/video services in wireless networks

Patent Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101482923A (zh) * 2009-01-19 2009-07-15 刘云 视频监控中人体目标的检测与性别识别方法
CN102855681A (zh) * 2011-06-30 2013-01-02 富士施乐株式会社 真伪判断辅助装置和辅助方法、真伪判断装置和方法
CN108646722A (zh) * 2018-07-18 2018-10-12 杭州安恒信息技术股份有限公司 一种工业控制系统信息安全仿真模型及终端
CN109816625A (zh) * 2018-11-27 2019-05-28 广东电网有限责任公司 一种视频质量评分实现方法
CN110427839A (zh) * 2018-12-26 2019-11-08 西安电子科技大学 基于多层特征融合的视频目标检测方法
CN109902823A (zh) * 2018-12-29 2019-06-18 华为技术有限公司 一种基于生成对抗网络的模型训练方法及设备
CN109886244A (zh) * 2019-03-01 2019-06-14 北京视甄智能科技有限公司 一种人脸识别活体检测方法及装置
CN110428399A (zh) * 2019-07-05 2019-11-08 百度在线网络技术（北京）有限公司 用于检测图像的方法、装置、设备和存储介质
CN110929098A (zh) * 2019-11-14 2020-03-27 腾讯科技（深圳）有限公司 视频数据的处理方法、装置、电子设备及存储介质
CN111341383A (zh) * 2020-03-17 2020-06-26 安吉康尔（深圳）科技有限公司 一种检测拷贝数变异的方法、装置和存储介质
CN111401558A (zh) * 2020-06-05 2020-07-10 腾讯科技（深圳）有限公司 数据处理模型训练方法、数据处理方法、装置、电子设备
CN111767877A (zh) * 2020-07-03 2020-10-13 北京视甄智能科技有限公司 一种基于红外特征的活体检测方法
CN112036902A (zh) * 2020-07-14 2020-12-04 深圳大学 基于深度学习的产品鉴伪方法、装置、服务器及存储介质
CN112001453A (zh) * 2020-08-31 2020-11-27 北京易华录信息技术股份有限公司 一种视频事件检测算法的准确率计算方法及装置
CN112200001A (zh) * 2020-09-11 2021-01-08 南京星耀智能科技有限公司 一种指定场景下深度伪造视频识别方法
CN112464245A (zh) * 2020-11-26 2021-03-09 重庆邮电大学 一种面向深度学习图像分类模型的泛化的安全性评估方法
CN112488013A (zh) * 2020-12-04 2021-03-12 重庆邮电大学 基于时序不一致性的深度伪造视频检测方法及系统
CN112749746A (zh) * 2021-01-12 2021-05-04 云南电网有限责任公司电力科学研究院 一种缺陷样本迭代更新方法、系统及装置
CN112749894A (zh) * 2021-01-12 2021-05-04 云南电网有限责任公司电力科学研究院 一种缺陷检测模型评价方法以及装置
CN112766189A (zh) * 2021-01-25 2021-05-07 北京有竹居网络技术有限公司 深度伪造检测方法、装置、存储介质及电子设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于帧间差异的人脸篡改视频检测方法;张怡暄;李根;曹纭;赵险峰;;信息安全学报(02);第54-77页 *
生成对抗网络理论框架、衍生模型与应用最新进展;赵增顺;高寒旭;孙骞;滕升华;常发亮;Dapeng Oliver Wu;;小型微型计算机系统(12);第44-48页 *
语音伪造与鉴伪的发展与挑战;陶建华;傅睿博;易江燕;王成龙;汪涛;;信息安全学报(02);第33-43页 *

Also Published As

Publication number Publication date
CN113326400A (zh) 2021-08-31

Similar Documents

Publication Publication Date Title
CN113326400B (zh) 基于深度伪造视频检测的模型的评价方法及系统
CN103138986B (zh) 一种基于可视分析的网站异常访问行为的检测方法
CN108322317B (zh) 一种账号识别关联方法及服务器
CN110177108A (zh) 一种异常行为检测方法、装置及验证系统
CN108280104A (zh) 目标对象的特征信息提取方法及装置
CN108737439A (zh) 一种基于自反馈学习的大规模恶意域名检测系统及方法
CN104866699B (zh) 一种网络游戏智能化数据分析方法
CN108009058A (zh) 异常设备识别方法及装置和电子设备
WO2022160222A1 (zh) 缺陷检测方法及装置、模型训练方法及装置及电子设备
CN110807509A (zh) 一种基于贝叶斯神经网络的深度知识追踪方法
CN110336838A (zh) 账号异常检测方法、装置、终端及存储介质
CN111985751B (zh) 人机聊天体验评估体系
Yin et al. Towards accurate intrusion detection based on improved clonal selection algorithm
CN110942202A (zh) 应急演练推演方法、计算机存储介质及电子设备
Pan et al. Multi‐source information art painting fusion interactive 3d dynamic scene virtual reality technology application research
CN110084291B (zh) 一种基于大数据极限学习的学生行为分析方法及装置
CN114021188A (zh) 一种联邦学习协议交互安全验证方法、装置及电子设备
CN110941933B (zh) 基于相似理论的复杂电磁环境逼真度评估模型系统及方法
CN108549654A (zh) 一种基于图像处理的大数据分析方法
CN110008705A (zh) 一种基于深度学习的恶意域名识别方法、装置及电子设备
CN116680633B (zh) 基于多任务学习的异常用户检测方法、系统及存储介质
CN113822160B (zh) 深度伪造检测模型的评测方法、系统及设备
CN110049034A (zh) 一种基于深度学习的复杂网络实时Sybil攻击检测方法
CN108932704A (zh) 图片处理方法、图片处理装置及终端设备
CN115328786A (zh) 一种基于区块链的自动化测试方法、装置和存储介质

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 230088 21 / F, building A1, phase I, Zhongan chuanggu Science Park, No. 900, Wangjiang West Road, high tech Zone, Hefei, Anhui

Applicant after: HEFEI HIGH DIMENSIONAL DATA TECHNOLOGY Co.,Ltd.

Address before: 230088 Block C, building J2, innovation industrial park, 2800 innovation Avenue, high tech Zone, Hefei City, Anhui Province

Applicant before: HEFEI HIGH DIMENSIONAL DATA TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant