CN114419330A - 一种二维深度假图泛化检测方法、系统、设备及存储介质 - Google Patents

一种二维深度假图泛化检测方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN114419330A
CN114419330A CN202210080958.0A CN202210080958A CN114419330A CN 114419330 A CN114419330 A CN 114419330A CN 202210080958 A CN202210080958 A CN 202210080958A CN 114419330 A CN114419330 A CN 114419330A
Authority
CN
China
Prior art keywords
image
neural network
network framework
layer
output end
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
CN202210080958.0A
Other languages
English (en)
Other versions
CN114419330B (zh
Inventor
刘晓宁
蒋艺
江雨
林芃樾
冯龙
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.)
Northwest University
Original Assignee
Northwest University
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 Northwest University filed Critical Northwest University
Priority to CN202210080958.0A priority Critical patent/CN114419330B/zh
Publication of CN114419330A publication Critical patent/CN114419330A/zh
Application granted granted Critical
Publication of CN114419330B publication Critical patent/CN114419330B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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

Abstract

本发明涉及假图检测相关技术领域，提供了一种二维深度假图泛化检测方法、系统、设备及存储介质，首先克服了现下因DeepFake技术与GAN网络技术有较大差异而使得图像难以使用唯一检测器进行泛化检测的困难，通过检测方法克服了当前基于空域检测方法的局限，提取频域信息进行检测，提高了检测性能。本发明中利用了各类不同二维假图生成方法的共有上采样特征，使用频域转换与神经网络技术解决了假图检测器泛化性弱，实际应用场景下效果弱势的问题。

Description

一种二维深度假图泛化检测方法、系统、设备及存储介质
技术领域
本发明涉及假图检测相关技术领域，具体为一种二维深度假图泛化检测方法、系统、设备及存储介质。
背景技术
随着神经网络技术的不断发展，各类假图的生成方法诞生并在逐步改进。
此类生成技术可完成人脸替换，假脸生成，属性编辑等多种不同的图像处理任务。二维假图生成技术的诞生严重威胁了现代信息社会人们的名誉、网络沟通的安全、传媒报道的可靠。与之相对的假图检测技术应运而生。目前针对假图单一生成方法的空域检测模型已经有优秀的效果，但多数需要大量级的训练集作为支撑，且需要假图生成方法做先验知识来选择检测器；而针对假图单一生成方法的频域检测模型大多采用复杂的特征提取操作，且未在其他生成方法上进行效果验证。
假图检测方法将长期应用于罪证获取中的举证鉴伪、媒体发表前的真实度判断等场景。在假图检测中，人们往往并不关心也无从获知手上的图片到底是由哪种生成方法生成的，所以一种通用的检测器从技术的实用角度来讲是必要的。现在的检测方法中，人们通常只关注检测器在单一生成方法生成的图像中检测效果如何，而只在泛化性上分配很少的注意力。
频域技术常用于语音分析、图像处理领域，但将其用于图像检测判定是相对新颖的用法，一般的图像检测多局限于空域检测，而在泛化性上使用频域效果会更好，这是由假图检测领域独有的生成方法特征决定的。
发明内容
针对现有技术中存在检测器泛化性弱，实际应用场景下效果弱势的问题，本发明提供一种二维深度假图泛化检测方法、系统、设备及存储介质，利用了各类不同二维假图生成方法的共有上采样特征，使用频域转换与神经网络技术解决了假图检测器泛化性弱，实际应用场景下效果弱势的问题。
本发明是通过以下技术方案来实现：
一种二维深度假图泛化检测方法，包括如下步骤：
步骤1，获取假图和真实图像作为训练数据集；
步骤2，对所收集的假图和真实图像进行后处理模拟操作，并做作频域化预处理，得到预处理后的频域图像；
步骤3，建立融合了神经网络框架，并将预处理后的频域图像输入构建好的神经网络框架中，反复训练获取检测器；
步骤4，将待检测图像进行频域化预处理；
步骤5，将频域化预处理后的待检测图像输入神经网络框架中进行计算，获取最后的判定结果。
优选的，步骤1中，假图通过使用ProGAN技术生成，真实图像通过数据库收集得到。
优选的，步骤2中，频域化预处理的方法如下：
步骤21，对训练数据集图像进行抽取并进行JPEG图像压缩处理得到后处理模拟图像；
步骤22，对训练数据集图像进行抽取并进行高斯模糊处理得到后处理模拟图像；
步骤23，将得到的后处理模拟图像均进行傅里叶变换，得到预处理后的频域图像。
优选的，步骤3中，神经网络框架采用融合了CBAM注意力机制的ResNet50神经网络框架。
进一步的，融合了CBAM注意力机制的ResNet50神经网络框架的结构包括：
一层卷积层的输出端连接至一个CBAM模块的输入端，一个CBAM模块的输出端连接至一层池化层的输入端，一层池化层的输出端连接至三层conv2卷积层*3的输入端，三层conv2卷积层*3的输出端连接至三层conv3卷积层*4的输入端，三层conv3卷积层*4的输出端连接至三层conv4卷积层*6的输入端，三层conv4卷积层*6的输出端连接至三层conv5卷积层*3的输入端，三层conv5卷积层*3的输出端连接至一个CBAM模块的输入端，一个CBAM模块的输出端一层池化层的输入端，一层池化层的输出端一个全连接层的输入端，全连接层的输出端输出设置。
一种二维深度假图泛化检测系统，包括：
数据获取模块，用于获取假图和真实图像作为训练数据集；
第一处理模块，用于对所收集的假图和真实图像进行后处理模拟操作，并做作频域化预处理，得到预处理后的频域图像；
第二处理模块，用于建立融合了神经网络框架，并将预处理后的频域图像输入构建好的神经网络框架中，反复训练获取检测器；
第三处理模块，用于将待检测图像进行频域化预处理；
第四处理模块，用于将频域化预处理后的待检测图像输入神经网络框架中进行计算，获取最后的判定结果。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述所述二维深度假图泛化检测方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述所述二维深度假图泛化检测方法的步骤。
与现有技术相比，本发明具有以下有益的技术效果：
本发明提供了一种二维深度假图泛化检测方法，首先克服了现下因DeepFake技术与GAN网络技术有较大差异而使得图像难以使用唯一检测器进行泛化检测的困难，通过检测方法克服了当前基于空域检测方法的局限，提取频域信息进行检测，提高了检测性能。
本发明在11种流行的假图生成技术上与当前泛化性最强的检测器进行了比对(ProGAN、StyleGAN、BigGAN、CycleGAN、StarGAN、GauGAN、CRN、IMLE、SITD、SAN、deepfake)。在模型的训练速度上，本方案中使用的神经网络框架误差收敛速度比现有技术提升了50％-60％；在判定精度上，现有技术在11种生成技术上的平均精度(AP)为93％，而使用本发明比现有技术提升了一个点，达到94％；在判定正确率上，本发明在保证Gan系列生成图像检测正确率仅小幅度波动的同时，大幅提升了deepfake技术生成图像的检测正确率，现有技术平均正确率仅50.55％，而本发明能将deepfake技术生成图像的检测正确率提升至93.2％。上升42.65％。方案少量牺牲Gan系列技术生成图的检测精度，大幅提升deepfake技术生成图的检测效果，获取了更强的泛化效果。
一种二维深度假图泛化检测系统，通过数据获取模块、第一处理模块、第二处理模块、第三处理模块和第四处理模块，有效的实现了对二维深度假图泛化检测方法，提高了对二维深度假图泛化检测的智能化。
附图说明
图1为本发明中二维深度假图泛化检测方法的步骤流程图；
图2为未进行频域化预处理的原始效果图；
图3为本发明中进行JPEG图像压缩处理的效果图；
图4为本发明中进行高斯模糊处理的效果图；
图5为神经网络框架图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面结合附图对本发明做进一步详细描述：
参见图1，本发明一个实施例中，提供了一种二维深度假图泛化检测方法，利用了各类不同二维假图生成方法的共有上采样特征，使用频域转换与神经网络技术解决了假图检测器泛化性弱，实际应用场景下效果弱势的问题。
具体的，该二维深度假图泛化检测方法，包括如下步骤：
步骤1，获取假图和真实图像作为训练数据集；
具体的，假图通过使用ProGAN技术生成，真实图像通过数据库收集得到。
步骤2，对所收集的假图和真实图像进行后处理模拟操作，并做作频域化预处理，得到预处理后的频域图像；
本发明中对训练图像进行预处理包括后处理模拟操作及频域转换操作。
具体的，频域化预处理的方法如下：
步骤21，对训练数据集图像进行抽取并进行JPEG图像压缩处理得到后处理模拟图像；
步骤22，对训练数据集图像进行抽取并进行高斯模糊处理得到后处理模拟图像；
步骤23，将得到的后处理模拟图像均进行傅里叶变换，得到预处理后的频域图像。
步骤3，建立融合了神经网络框架，并将预处理后的频域图像输入构建好的神经网络框架中，反复训练获取检测器；
具体的，神经网络框架采用融合了CBAM注意力机制的ResNet50神经网络框架。
其中，根据图5所示，融合了CBAM注意力机制的ResNet50神经网络框架的结构包括：
一层卷积层的输出端连接至一个CBAM模块的输入端，一个CBAM模块的输出端连接至一层池化层的输入端，一层池化层的输出端连接至三层conv2卷积层*3的输入端，三层conv2卷积层*3的输出端连接至三层conv3卷积层*4的输入端，三层conv3卷积层*4的输出端连接至三层conv4卷积层*6的输入端，三层conv4卷积层*6的输出端连接至三层conv5卷积层*3的输入端，三层conv5卷积层*3的输出端连接至一个CBAM模块的输入端，一个CBAM模块的输出端一层池化层的输入端，一层池化层的输出端一个全连接层的输入端，全连接层的输出端输出设置。
根据图5所示，融合了CBAM注意力机制的ResNet50神经网络框架的结构，每三层卷积层组合成一个可以用来重复的卷积模块比如图中的conv2*3，乘以n的意思是每个卷积模块会反复n次。
步骤4，将待检测图像进行频域化预处理；
步骤5，将频域化预处理后的待检测图像输入神经网络框架中进行计算，获取最后的判定结果。
实施例
对于二维深度假图泛化检测方法，包括如下步骤：
步骤1，使用ProGAN技术生成的假图及真实图像作为训练数据集；
步骤2，对所收集的假图和真实图像进行后处理模拟操作，并做作频域化预处理，得到预处理后的频域图像，其中未进行频域化预处理的原始效果图如图2所示；
其中，频域化预处理的方法如下：
步骤21，以10％的概率抽取训练集中图像进行JPEG图像压缩处理得到后处理模拟图像，如图3所示；
步骤22，以10％的概率抽取训练集中图像进行高斯模糊处理得到后处理模拟图像，如图4所示；
在训练集中对图像的抽取概率值低于10％，本步骤采用以10％的概率抽取为效果最好。
步骤23，将得到的后处理模拟图像均进行傅里叶变换，得到预处理后的频域图像。
步骤3，建立融合了神经网络框架，并将预处理后的频域图像输入构建好的神经网络框架中，反复训练获取检测器；
步骤4，将待检测图像进行频域化预处理；
步骤5，将频域化预处理后的待检测图像输入神经网络框架中进行计算，获取最后的判定结果。
综上所示，本发明提供了一种二维深度假图泛化检测方法，首先克服了现下因DeepFake技术与GAN网络技术有较大差异而使得图像难以使用唯一检测器进行泛化检测的困难，通过检测方法克服了当前基于空域检测方法的局限，提取频域信息进行检测，提高了检测性能。
下述为本发明的装置实施例，可以用于执行本发明方法实施例。对于装置实施例中未披露的细节，请参照本发明方法实施例。
本发明在一个实施例中，提供了一种二维深度假图泛化检测系统，用于实现上述所述的二维深度假图泛化检测方法；
具体的，该二维深度假图泛化检测系统，包括数据获取模块、第一处理模块、第二处理模块、第三处理模块和第四处理模块；
其中，数据获取模块，用于获取假图和真实图像作为训练数据集；
第一处理模块，用于对所收集的假图和真实图像进行后处理模拟操作，并做作频域化预处理，得到预处理后的频域图像；
第二处理模块，用于建立融合了神经网络框架，并将预处理后的频域图像输入构建好的神经网络框架中，反复训练获取检测器；
第三处理模块，用于将待检测图像进行频域化预处理；
第四处理模块，用于将频域化预处理后的待检测图像输入神经网络框架中进行计算，获取最后的判定结果。
本发明在一个实施例中，提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、现成可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于二维深度假图泛化检测方法的操作。
本发明在一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中二维深度假图泛化检测方法的相应步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (8)

1.一种二维深度假图泛化检测方法，其特征在于，包括如下步骤：
步骤1，获取假图和真实图像作为训练数据集；
步骤2，对所收集的假图和真实图像进行后处理模拟操作，并做作频域化预处理，得到预处理后的频域图像；
步骤3，建立融合了神经网络框架，并将预处理后的频域图像输入构建好的神经网络框架中，反复训练获取检测器；
步骤4，将待检测图像进行频域化预处理；
步骤5，将频域化预处理后的待检测图像输入神经网络框架中进行计算，获取最后的判定结果。
2.根据权利要求1所述的一种二维深度假图泛化检测方法，其特征在于，步骤1中，假图通过使用ProGAN技术生成，真实图像通过数据库收集得到。
3.根据权利要求1所述的一种二维深度假图泛化检测方法，其特征在于，步骤2中，频域化预处理的方法如下：
步骤21，对训练数据集图像进行抽取并进行JPEG图像压缩处理得到后处理模拟图像；
步骤22，对训练数据集图像进行抽取并进行高斯模糊处理得到后处理模拟图像；
步骤23，将得到的后处理模拟图像均进行傅里叶变换，得到预处理后的频域图像。
4.根据权利要求1所述的一种二维深度假图泛化检测方法，其特征在于，步骤3中，神经网络框架采用融合了CBAM注意力机制的ResNet50神经网络框架。
5.根据权利要求4所述的一种二维深度假图泛化检测方法，其特征在于，所述融合了CBAM注意力机制的ResNet50神经网络框架的结构包括：
一层卷积层的输出端连接至一个CBAM模块的输入端，一个CBAM模块的输出端连接至一层池化层的输入端，一层池化层的输出端连接至三层conv2卷积层*3的输入端，三层conv2卷积层*3的输出端连接至三层conv3卷积层*4的输入端，三层conv3卷积层*4的输出端连接至三层conv4卷积层*6的输入端，三层conv4卷积层*6的输出端连接至三层conv5卷积层*3的输入端，三层conv5卷积层*3的输出端连接至一个CBAM模块的输入端，一个CBAM模块的输出端一层池化层的输入端，一层池化层的输出端一个全连接层的输入端，全连接层的输出端输出设置。
6.一种二维深度假图泛化检测系统，其特征在于，包括：
数据获取模块，用于获取假图和真实图像作为训练数据集；
第一处理模块，用于对所收集的假图和真实图像进行后处理模拟操作，并做作频域化预处理，得到预处理后的频域图像；
第二处理模块，用于建立融合了神经网络框架，并将预处理后的频域图像输入构建好的神经网络框架中，反复训练获取检测器；
第三处理模块，用于将待检测图像进行频域化预处理；
第四处理模块，用于将频域化预处理后的待检测图像输入神经网络框架中进行计算，获取最后的判定结果。
7.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述二维深度假图泛化检测方法的步骤。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述二维深度假图泛化检测方法的步骤。
CN202210080958.0A 2022-01-24 2022-01-24 一种二维深度假图泛化检测方法、系统、设备及存储介质 Active CN114419330B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210080958.0A CN114419330B (zh) 2022-01-24 2022-01-24 一种二维深度假图泛化检测方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210080958.0A CN114419330B (zh) 2022-01-24 2022-01-24 一种二维深度假图泛化检测方法、系统、设备及存储介质

Publications (2)

Publication Number Publication Date
CN114419330A true CN114419330A (zh) 2022-04-29
CN114419330B CN114419330B (zh) 2024-02-09

Family

ID=81276914

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210080958.0A Active CN114419330B (zh) 2022-01-24 2022-01-24 一种二维深度假图泛化检测方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114419330B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020164270A1 (zh) * 2019-02-15 2020-08-20 平安科技（深圳）有限公司 基于深度学习的行人检测方法、系统、装置及存储介质
CN111797826A (zh) * 2020-05-14 2020-10-20 中国三峡建设管理有限公司 大骨料集中区域检测方法和装置及其网络模型训练方法
CN112257741A (zh) * 2020-09-07 2021-01-22 北京航空航天大学杭州创新研究院 一种基于复数神经网络的生成性对抗虚假图片的检测方法
CN113536990A (zh) * 2021-06-29 2021-10-22 复旦大学 深度伪造人脸数据鉴别方法
CN113593714A (zh) * 2021-07-26 2021-11-02 陕西师范大学 一种多分类新冠肺炎病例的检测方法、系统、设备及介质
WO2021238019A1 (zh) * 2020-05-29 2021-12-02 苏州大学 基于Ghost卷积特征融合神经网络实时车流量检测系统及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020164270A1 (zh) * 2019-02-15 2020-08-20 平安科技（深圳）有限公司 基于深度学习的行人检测方法、系统、装置及存储介质
CN111797826A (zh) * 2020-05-14 2020-10-20 中国三峡建设管理有限公司 大骨料集中区域检测方法和装置及其网络模型训练方法
WO2021238019A1 (zh) * 2020-05-29 2021-12-02 苏州大学 基于Ghost卷积特征融合神经网络实时车流量检测系统及方法
CN112257741A (zh) * 2020-09-07 2021-01-22 北京航空航天大学杭州创新研究院 一种基于复数神经网络的生成性对抗虚假图片的检测方法
CN113536990A (zh) * 2021-06-29 2021-10-22 复旦大学 深度伪造人脸数据鉴别方法
CN113593714A (zh) * 2021-07-26 2021-11-02 陕西师范大学 一种多分类新冠肺炎病例的检测方法、系统、设备及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
麻森权;周克;: "基于注意力机制和特征融合改进的小目标检测算法", 计算机应用与软件, no. 05 *

Also Published As

Publication number Publication date
CN114419330B (zh) 2024-02-09

Similar Documents

Publication Publication Date Title
CN110136744B (zh) 一种音频指纹生成方法、设备及存储介质
WO2022017025A1 (zh) 图像处理方法、装置、存储介质以及电子设备
CN110084274B (zh) 实时图像语义分割方法及系统、可读存储介质和终端
EP3380939B1 (en) Adaptive artificial neural network selection techniques
CN112330574B (zh) 人像修复方法、装置、电子设备及计算机存储介质
CN109658943B (zh) 一种音频噪声的检测方法、装置、存储介质和移动终端
CN113886792A (zh) 一种声纹识别和人脸识别相结合的印控仪应用方法和系统
CN112804558B (zh) 视频拆分方法、装置及设备
Jang et al. Lip reading using committee networks with two different types of concatenated frame images
CN112580567B (zh) 一种模型获取方法、模型获取装置及智能设备
CN113705575B (zh) 一种图像分割方法、装置、设备及存储介质
US10910000B2 (en) Method and device for audio recognition using a voting matrix
Huang et al. Steganalysis of adaptive JPEG steganography based on resdet
CN113361567B (zh) 图像处理方法、装置、电子设备和存储介质
CN113673465A (zh) 图像检测方法、装置、设备及可读存储介质
CN113241081A (zh) 一种基于梯度反转层的远场说话人认证方法及系统
Wang et al. MSAGAN: a new super-resolution algorithm for multispectral remote sensing image based on a multiscale attention GAN network
CN114419330A (zh) 一种二维深度假图泛化检测方法、系统、设备及存储介质
CN112489678A (zh) 一种基于信道特征的场景识别方法及装置
CN113345424B (zh) 一种语音特征提取方法、装置、设备及存储介质
JP2020091813A (ja) ニューラルネットワークの学習方法、コンピュータプログラム及びコンピュータ装置
CN115331673B (zh) 一种复杂声音场景下的声纹识别家电控制方法和装置
CN113794371B (zh) 直流对直流转换方法及装置
CN115953559B (zh) 虚拟对象处理方法及装置
CN117853875B (zh) 一种细粒度图像识别方法及系统

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