CN116486464B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116486464B CN116486464B CN202310730511.8A CN202310730511A CN116486464B CN 116486464 B CN116486464 B CN 116486464B CN 202310730511 A CN202310730511 A CN 202310730511A CN 116486464 B CN116486464 B CN 116486464B
- Authority
- CN
- China
- Prior art keywords
- face
- network
- domain
- feature
- neuron
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 230000007246 mechanism Effects 0.000 title claims abstract description 14
- 210000002569 neuron Anatomy 0.000 claims description 44
- 238000000605 extraction Methods 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 6
- 210000002856 peripheral neuron Anatomy 0.000 claims description 6
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 claims description 3
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 claims description 3
- 230000005764 inhibitory process Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
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
- G06V40/168—Feature extraction; Face representation
-
- 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
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06V40/10—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
- 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
-
- 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)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开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,涉及人脸伪造检测领域,其特征在于,包括以下步骤:S1:获取人脸视频;S2:视频关键帧提取;S3:关键帧提取人脸图像;S4:将人脸图像输入到经过预训练的网络当中,输出真伪分类。本发明要解决的技术问题是提供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,采用ffmpeg多媒体处理工具只将视频中的I帧进行提取,在其中提取出人脸图片。将注意力机制和领域对抗网络应用到人脸检测技术当中,从而达到实现提升检测的准确性和泛化性性能的目的。
Description
技术领域
本发明涉及人脸伪造检测领域,具体地讲,涉及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。
背景技术
人脸伪造技术的恶意滥用,会造成严重的安全和隐私问题,为社会带来消极影响。这些问题的解决需要技术和法律的不断更新。从技术层面来讲,设计高效的、具有泛化性的人脸伪造检测技术来辨别伪造人脸是至关重要的,能够有效保障人们的隐私与安全。
发明内容
本发明要解决的技术问题是提供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,采用ffmpeg多媒体处理工具只将视频中的I帧进行提取,在其中提取出人脸图片。将注意力机制和领域对抗网络应用到人脸检测技术当中,从而达到实现提升检测的准确性和泛化性性能的目的。
本发明采用如下技术方案实现发明目的:
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,其特征在于,包括以下步骤:
S1:获取人脸视频;
S2:视频关键帧提取;
S3:关键帧提取人脸图像;
S4:将人脸图像输入到经过预训练的网络当中,输出真伪分类;
采用ffmpeg多媒体处理工具将伪造视频中的关键帧进行提取,在其中提取出人脸图像;所述S4中网络包括Xception特征提取部分及领域对抗网络;所述Xception特征提取部分包括Entry flow模块、Middle flow模块及Exit flow模块,所述Entry flow模块第二个卷积层之后设置SimAM注意力模块,所述Exit flow模块的最后一个卷积层之后设置所述SimAM注意力模块。
作为本技术方案的进一步限定,所述S4的具体步骤如下:
S41:人脸图片被送入到所述Entry flow模块进行处理,所述Entry flow模块不断地下采样处理用来减小空间维度,第一个所述SimAM注意力模块学习到更多的线索;
S42:经过八次重复的所述Middle flow模块,该模块中包含残差连接,能够不断地进行特征优化;
S43:人脸图片进入到Exit flow模块,对人脸图片的特征进行整理、汇总,对人脸图片真伪进行鉴别;
S44:所述Xception网络特征提取结构之后,将其添加到所述领域对抗网络,提升整体网络的泛化性,实现特征空间的对齐,消除不同域之间的分布差异,提升来自不同领域不同的人脸图像判别效果;
S45:经过整个网络之后对含有人脸的视频进行真伪检测。
作为本技术方案的进一步限定,所述SimAM注意力模块是一种无参数注意力模块,一个活跃的神经元可能抑制周围神经元的活动,每个神经元都有一个独特的权重,基于空间抑制,将神经元权重设计为一个能量函数,根据神经元能量函数来判别神经元的重要性,为每个神经元能量函数的定义如下:
(1)
其中:是权重;
是偏置的线性变换;
和/>分别为目标神经元和/>单一通道的其他神经元;
表示实数范围,/>为通道数、/>为空间高度、/>为空间宽度;
和/>是/>和/>的线性变换;
是空间维度索引;
为该通道神经元数;
为变量、/>为能量函数;
当对和/>采用二值标签,即1和-1,并向其中添加正则项,神经元能量函数定义如下:
(2)
其中:是正则化常数;
计算出:
(3)
其中:和/>分别为/>的均值和方差;
计算出:
(4)
最小神经元能量定义如下:
(5)
为该神经元权重,神经元能量越低的/>,其权重越大,同周围神经元区别越大,对视觉处理愈发重要;
(6)
(7)
其中:和/>分别为单通道内像素均值和方差;
单通道内所有神经元能量组成能量矩阵/>,/>用来限制过大,最终单通道内权矩阵/>表示为:
(8)。
作为本技术方案的进一步限定,在所述领域对抗网络中,优化领域分类器参数以及标签预测器参数/>,使领域分类损失和标签分类损失最小,对于特征映射参数/>,最小化标签预测损失并且最大化领域分类损失,公式如下:
(9)
(10)
经过(9)(10)优化步骤的重复执行,实现网络的收敛;
为了实现网络的对抗策略,引入一个特殊的梯度反转层GRL,GRL层被插入到特征提取器和领域分类器之间,利用梯度反转层在反向传播过程中实现梯度方向自动取反,在前向传播过程中实现恒等变换,领域对抗网络函数如下:
(11)
其中:为输入特征;
被特征提取器/>映射到/>维特征向量/>,将该映射中所有层表示为/>,即/>;
相同特征向量通过标签预测器/>映射到标签/>,将该映射中的所有标签表示为/>;
为标签分类损失;
相同特征向量通过参数为/>的领域分类器/>映射到领域标签/>;/>为领域分类损失;
为梯度反转层的输出特征;
(12)
公式(11)中是动态变化的,/>被设置为10;p为迭代进程相对值,当前迭代次数与总迭代次数的比率。
与现有技术相比,本发明的优点和积极效果是:1、本发明使用了一种更高效的视频帧的提取方法,只对包含全部信息的关键帧进行提取。相较于以往视频帧提取方法,本方法所需时间大大减少,帧提取操作较为简单。在原有的Xception网络的特征提取部分我们向其引入了一种较为新颖的SimAM注意力机制,注意力机制可以通过对网络中的不同部分进行加权来提高网络性能。SimAM注意力模块相较于其他注意力模块,能够灵活的应对空间和通道的变化,模块结构也更加简单,刨去了以往结构需要池化等复杂操作的缺点。SimAM在大多数网络模型中都取得了出色的结果,在改善网络表征能力上更加灵活有效。在Xception网络特征提取部分之后引入了一种无监督的领域对抗来适应不同的人脸伪造鉴别。在网络中添加领域对抗网络,能够实现消除不同领域之间的特征分布差异,以提升模型的泛化性,有利于人脸图像真伪判别效果的提升。
2、在人脸伪造视频提取方面,仅对视频内包含关键信息的关键帧,即I帧进行提取。视频帧的提取更加简洁,整体耗时大幅减少。在Xception网络种利用了SimAM注意力机制,更多的关注到神经元能量较小的部分,即神经元权重大的部分,注意力机制可以通过对网络中的不同部分进行加权来提高网络性能。在Xception网络特征提取结构之后,我们向其添加领域对抗网络,来提升整体网络的泛化性,实现特征空间的对齐,消除不同域之间的分布差异,能够提升来自不同领域不同的人脸图像判别效果。
附图说明
图1为本发明的基本流程框图。
图2为本发明的网络结构流程图。
图3为本发明的SimAM全三维权重注意力模块。
具体实施方式
下面结合附图,对本发明的一个具体实施方式进行详细描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
本发明包括以下步骤:
S1:获取人脸视频;
S2:视频关键帧提取;
S3:关键帧提取人脸图像;
S4:将人脸图像输入到经过预训练的网络当中,输出真伪分类。
视频帧可分为I帧、B帧和P帧,而其中I帧又被称为关键帧,是包含全部信息的独立帧,不依靠前一帧编码;B帧称为双向帧,该帧会参考其前后出现的帧,能够显著降低帧的大小,对视频质量有所保证;P帧称为预测帧,对其前面出现的帧进行运动估计。采用ffmpeg多媒体处理工具将伪造视频中的关键帧进行提取,在其中提取出人脸图像。
所述S4中网络包括Xception特征提取部分及领域对抗网络。
所述Xception特征提取部分包括Entry flow模块、Middle flow模块及Exit flow模块,所述Entry flow模块第二个卷积层之后设置SimAM注意力模块,所述Exit flow模块的最后一个卷积层之后设置所述SimAM注意力模块。
所述S4的具体步骤如下:
S41:人脸图片被送入到所述Entry flow模块进行处理,所述Entry flow模块不断地下采样处理用来减小空间维度,第一个所述SimAM注意力模块学习到更多的线索;
S42:经过八次重复的所述Middle flow模块,该模块中包含残差连接,能够不断地进行特征优化;
S43:人脸图片进入到Exit flow模块,对人脸图片的特征进行整理、汇总,对人脸图片真伪进行鉴别;
S44:所述Xception网络特征提取结构之后,将其添加到所述领域对抗网络,提升整体网络的泛化性,实现特征空间的对齐,消除不同域之间的分布差异,提升来自不同领域不同的人脸图像判别效果;
S45:经过整个网络之后对含有人脸的视频进行真伪检测。
所述SimAM注意力模块是一种无参数注意力模块,一个活跃的神经元可能抑制周围神经元的活动,每个神经元都有一个独特的权重,基于空间抑制,将神经元权重设计为一个能量函数,根据神经元能量函数来判别神经元的重要性,为每个神经元能量函数的定义如下:(1)
其中:是权重;
是偏置的线性变换;
和/>分别为目标神经元和/>单一通道的其他神经元;
表示实数范围,/>为通道数、/>为空间高度、/>为空间宽度;
和/>是/>和/>的线性变换;
是空间维度索引;
为该通道神经元数;
为变量、/>为能量函数;
当对和/>采用二值标签,即1和-1,并向其中添加正则项,神经元能量函数定义如下:
(2)
其中:是正则化常数;
计算出:
(3)
其中:和/>分别为/>的均值和方差;
计算出:
(4)
最小神经元能量定义如下:
(5)
为该神经元权重,神经元能量越低的/>,其权重越大,同周围神经元区别越大,对视觉处理愈发重要;
(6)
(7)
其中:和/>分别为单通道内像素均值和方差;
单通道内所有神经元能量组成能量矩阵/>,/>用来限制过大,最终单通道内权矩阵/>表示为:
(8)。
在所述领域对抗网络中,优化领域分类器参数以及标签预测器参数/>,使领域分类损失和标签分类损失最小,对于特征映射参数/>,最小化标签预测损失并且最大化领域分类损失,公式如下:
(9)
(10)
经过(9)(10)优化步骤的重复执行,实现网络的收敛;
为了实现网络的对抗策略,引入一个特殊的梯度反转层GRL,GRL层被插入到特征提取器和领域分类器之间,利用梯度反转层在反向传播过程中实现梯度方向自动取反,在前向传播过程中实现恒等变换,领域对抗网络函数如下:
(11)
其中:为输入特征;
被特征提取器/>映射到/>维特征向量/>,将该映射中所有层表示为/>,即/>;
相同特征向量通过标签预测器/>映射到标签/>,将该映射中的所有标签表示为/>;
为标签分类损失;
相同特征向量通过参数为/>的领域分类器/>映射到领域标签/>,/>为领域分类损失;
为梯度反转层的输出特征;
(12)
公式(11)中是动态变化的,/>被设置为10;p为迭代进程相对值,当前迭代次数与总迭代次数的比率。
将轻量化分类模型Xception与即插即用注意力模块SimAM以及领域对抗网络相结合。Xception模型拥有更少的参数,更好的性能和泛化能力。模型中使用深度可分离卷积,增加了特征表达能力。类似于ResNet的残差连接也使得Xception模型获得了出色的准确率。
SimAM注意力模块相较于其他注意力模块,能够灵活的应对空间和通道的变化,模块结构也更加简单,刨去了以往结构需要池化等复杂操作的缺点。SimAM在大多数网络模型中都取得了出色的结果,在改善网络表征能力上更加灵活有效。
以上公开的仅为本发明的具体实施例,但是,本发明并非局限于此,任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (3)
1.一种基于注意力机制的卷积对抗网络的人脸伪造检测方法,其特征在于,包括以下步骤:
S1:获取人脸视频;
S2:视频关键帧提取;
S3:关键帧提取人脸图像;
S4:将人脸图像输入到经过预训练的网络当中,输出真伪分类;
采用ffmpeg多媒体处理工具将伪造视频中的关键帧进行提取,在其中提取出人脸图像;
所述S4中网络包括Xception特征提取部分及领域对抗网络;
所述Xception特征提取部分包括Entry flow模块、Middle flow模块及Exit flow模块,所述Entry flow模块第二个卷积层之后设置SimAM注意力模块,所述Exit flow模块的最后一个卷积层之后设置所述SimAM注意力模块;
所述S4的具体步骤如下:
S41:人脸图片被送入到所述Entry flow模块进行处理,所述Entry flow模块不断地下采样处理用来减小空间维度,第一个所述SimAM注意力模块学习到更多的线索;
S42:经过八次重复的所述Middle flow模块,该模块中包含残差连接,能够不断地进行特征优化;
S43:人脸图片进入到Exit flow模块,对人脸图片的特征进行整理、汇总,对人脸图片真伪进行鉴别;
S44:所述Xception网络特征提取结构之后,将其添加到所述领域对抗网络,提升整体网络的泛化性,实现特征空间的对齐,消除不同域之间的分布差异,提升来自不同领域不同的人脸图像判别效果;
S45:经过整个网络之后对含有人脸的视频进行真伪检测。
2.根据权利要求1所述的基于注意力机制的卷积对抗网络的人脸伪造检测方法,其特征在于:所述SimAM注意力模块是一种无参数注意力模块,一个活跃的神经元可能抑制周围神经元的活动,每个神经元都有一个独特的权重,基于空间抑制,将神经元权重设计为一个能量函数,根据神经元能量函数来判别神经元的重要性,为每个神经元能量函数的定义如下:
(1)
其中:是权重;
是偏置的线性变换;
和/>分别为目标神经元和/>单一通道的其他神经元;
表示实数范围,/>为通道数、/>为空间高度、/>为空间宽度;
和/>是/>和/>的线性变换;
是空间维度索引;
为该通道神经元数;
为变量、/>为能量函数;
当对和/>采用二值标签,即1和-1,并向其中添加正则项,神经元能量函数定义如下:
(2)
其中:是正则化常数;
计算出:
(3)
其中:和/>分别为/>的均值和方差;
计算出:
(4)
最小神经元能量定义如下:
(5)
为该神经元权重,神经元能量越低的/>,其权重越大,同周围神经元区别越大,对视觉处理愈发重要;
(6)
(7)
其中:和/>分别为单通道内像素均值和方差;
单通道内所有神经元能量组成能量矩阵/>,/>用来限制过大,最终单通道内权矩阵/>表示为:
(8)。
3.根据权利要求2所述的基于注意力机制的卷积对抗网络的人脸伪造检测方法,其特征在于:在所述领域对抗网络中,优化领域分类器参数以及标签预测器参数/>,使领域分类损失和标签分类损失最小,对于特征映射参数/>,最小化标签预测损失并且最大化领域分类损失,公式如下:
(9)
(10)
经过(9)(10)优化步骤的重复执行,实现网络的收敛;
为了实现网络的对抗策略,引入一个特殊的梯度反转层GRL,GRL层被插入到特征提取器和领域分类器之间,利用梯度反转层在反向传播过程中实现梯度方向自动取反,在前向传播过程中实现恒等变换,领域对抗网络函数如下:
(11)
其中:为输入特征;
被特征提取器/>映射到/>维特征向量/>,将该映射中所有层表示为/>,即;
相同特征向量通过标签预测器/>映射到标签/>,将该映射中的所有标签表示为/>;
为标签分类损失;
相同特征向量通过参数为/>的领域分类器/>映射到领域标签/>;/>为领域分类损失;
为梯度反转层的输出特征;
(12)
公式(11)中是动态变化的,/>被设置为10;p为迭代进程相对值,当前迭代次数与总迭代次数的比率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310730511.8A CN116486464B (zh) | 2023-06-20 | 2023-06-20 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310730511.8A CN116486464B (zh) | 2023-06-20 | 2023-06-20 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116486464A CN116486464A (zh) | 2023-07-25 |
CN116486464B true CN116486464B (zh) | 2023-09-01 |
Family
ID=87227158
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310730511.8A Active CN116486464B (zh) | 2023-06-20 | 2023-06-20 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116486464B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829396A (zh) * | 2019-01-16 | 2019-05-31 | 广州杰赛科技股份有限公司 | 人脸识别运动模糊处理方法、装置、设备及存储介质 |
CN111428666A (zh) * | 2020-03-31 | 2020-07-17 | 齐鲁工业大学 | 基于快速人脸检测的智能家庭陪伴机器人系统及方法 |
CN111461089A (zh) * | 2020-06-17 | 2020-07-28 | 腾讯科技(深圳)有限公司 | 一种人脸检测的方法、人脸检测模型的训练方法及装置 |
WO2020168731A1 (zh) * | 2019-02-19 | 2020-08-27 | 华南理工大学 | 一种基于生成对抗机制与注意力机制的标准人脸生成方法 |
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 |
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 |
KR20210051473A (ko) * | 2019-10-30 | 2021-05-10 | 한국전자통신연구원 | 동영상 콘텐츠 식별 장치 및 방법 |
CN113283403A (zh) * | 2021-07-21 | 2021-08-20 | 武汉大学 | 基于对抗学习的伪造人脸视频检测方法 |
CN113343924A (zh) * | 2021-07-01 | 2021-09-03 | 齐鲁工业大学 | 一种基于多尺度循环谱特征和自注意力生成对抗网络的调制信号识别方法 |
WO2021196389A1 (zh) * | 2020-04-03 | 2021-10-07 | 平安科技(深圳)有限公司 | 面部动作单元识别方法、装置、电子设备及存储介质 |
CN113570564A (zh) * | 2021-07-21 | 2021-10-29 | 同济大学 | 一种基于多路卷积网络的多清晰度伪造人脸视频的检测方法 |
CN113935365A (zh) * | 2021-09-27 | 2022-01-14 | 华南农业大学 | 基于空域和频域双特征的深度伪造视频鉴定方法及系统 |
CN114692741A (zh) * | 2022-03-21 | 2022-07-01 | 华南理工大学 | 基于域不变特征的泛化人脸伪造检测方法 |
CN114898437A (zh) * | 2022-05-25 | 2022-08-12 | 北京邮电大学 | 一种基于频率学习的深度伪造人脸检测方法 |
CN115273169A (zh) * | 2022-05-23 | 2022-11-01 | 西安电子科技大学 | 基于时-空频域线索增强的人脸伪造检测系统和方法 |
CN116012958A (zh) * | 2023-02-10 | 2023-04-25 | 华东理工大学 | 实现深度伪造人脸鉴别的方法、系统、装置、处理器及其计算机可读存储介质 |
CN116246022A (zh) * | 2023-03-09 | 2023-06-09 | 山东省人工智能研究院 | 一种基于渐进式去噪引导的人脸图像身份合成方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10885531B2 (en) * | 2018-01-29 | 2021-01-05 | Accenture Global Solutions Limited | Artificial intelligence counterfeit detection |
US11538143B2 (en) * | 2018-10-26 | 2022-12-27 | Nec Corporation | Fully convolutional transformer based generative adversarial networks |
CN111709408B (zh) * | 2020-08-18 | 2020-11-20 | 腾讯科技(深圳)有限公司 | 图像真伪检测方法和装置 |
-
2023
- 2023-06-20 CN CN202310730511.8A patent/CN116486464B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829396A (zh) * | 2019-01-16 | 2019-05-31 | 广州杰赛科技股份有限公司 | 人脸识别运动模糊处理方法、装置、设备及存储介质 |
WO2020168731A1 (zh) * | 2019-02-19 | 2020-08-27 | 华南理工大学 | 一种基于生成对抗机制与注意力机制的标准人脸生成方法 |
KR20210051473A (ko) * | 2019-10-30 | 2021-05-10 | 한국전자통신연구원 | 동영상 콘텐츠 식별 장치 및 방법 |
CN111428666A (zh) * | 2020-03-31 | 2020-07-17 | 齐鲁工业大学 | 基于快速人脸检测的智能家庭陪伴机器人系统及方法 |
WO2021196389A1 (zh) * | 2020-04-03 | 2021-10-07 | 平安科技(深圳)有限公司 | 面部动作单元识别方法、装置、电子设备及存储介质 |
CN111461089A (zh) * | 2020-06-17 | 2020-07-28 | 腾讯科技(深圳)有限公司 | 一种人脸检测的方法、人脸检测模型的训练方法及装置 |
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 |
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 |
CN113343924A (zh) * | 2021-07-01 | 2021-09-03 | 齐鲁工业大学 | 一种基于多尺度循环谱特征和自注意力生成对抗网络的调制信号识别方法 |
CN113283403A (zh) * | 2021-07-21 | 2021-08-20 | 武汉大学 | 基于对抗学习的伪造人脸视频检测方法 |
CN113570564A (zh) * | 2021-07-21 | 2021-10-29 | 同济大学 | 一种基于多路卷积网络的多清晰度伪造人脸视频的检测方法 |
CN113935365A (zh) * | 2021-09-27 | 2022-01-14 | 华南农业大学 | 基于空域和频域双特征的深度伪造视频鉴定方法及系统 |
CN114692741A (zh) * | 2022-03-21 | 2022-07-01 | 华南理工大学 | 基于域不变特征的泛化人脸伪造检测方法 |
CN115273169A (zh) * | 2022-05-23 | 2022-11-01 | 西安电子科技大学 | 基于时-空频域线索增强的人脸伪造检测系统和方法 |
CN114898437A (zh) * | 2022-05-25 | 2022-08-12 | 北京邮电大学 | 一种基于频率学习的深度伪造人脸检测方法 |
CN116012958A (zh) * | 2023-02-10 | 2023-04-25 | 华东理工大学 | 实现深度伪造人脸鉴别的方法、系统、装置、处理器及其计算机可读存储介质 |
CN116246022A (zh) * | 2023-03-09 | 2023-06-09 | 山东省人工智能研究院 | 一种基于渐进式去噪引导的人脸图像身份合成方法 |
Non-Patent Citations (1)
Title |
---|
蔺琛皓等.虚假数字人脸内容生成与检测技术.《计算机学报》.2023,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116486464A (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111639692B (zh) | 一种基于注意力机制的阴影检测方法 | |
CN111523410A (zh) | 一种基于注意力机制的视频显著性目标检测方法 | |
CN113642634A (zh) | 一种基于混合注意力的阴影检测方法 | |
Li et al. | Gait recognition invariant to carried objects using alpha blending generative adversarial networks | |
CN105913002B (zh) | 视频场景下在线自适应的异常事件检测方法 | |
CN112418041B (zh) | 一种基于人脸正面化的多姿态人脸识别方法 | |
Ding et al. | METEOR: Measurable energy map toward the estimation of resampling rate via a convolutional neural network | |
CN109902667A (zh) | 基于光流引导特征块和卷积gru的人脸活体检测方法 | |
CN116778545A (zh) | 一种视频深度伪造检测方法及装置 | |
Guo et al. | Blind detection of glow-based facial forgery | |
CN115482595A (zh) | 一种基于语义分割的特定人物视觉伪造检测与鉴别方法 | |
CN116452862A (zh) | 基于领域泛化学习的图像分类方法 | |
CN113269167B (zh) | 一种基于图像分块打乱的人脸伪造检测方法 | |
Hu et al. | Adaptive local context suppression of multiple cues for salient visual attention detection | |
CN114677372A (zh) | 一种融合噪声感知的深度伪造图像检测方法及系统 | |
Li et al. | Exposing low-quality deepfake videos of social network service using spatial restored detection framework | |
CN116486464B (zh) | 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 | |
CN113221683A (zh) | 教学场景下基于cnn模型的表情识别方法 | |
CN116645562A (zh) | 一种细粒度伪造图像的检测方法及其模型训练方法 | |
Cai et al. | Face anti-spoofing via conditional adversarial domain generalization | |
He et al. | Dynamic residual distillation network for face anti-spoofing with feature attention learning | |
CN112164078B (zh) | 基于编码器-解码器的rgb-d多尺度语义分割方法 | |
Kadha et al. | Robust manipulation detection scheme for post-JPEG compressed images using CNN | |
Syed Abd Rahman et al. | Multi attention based approach for deepfake face and expression swap detection and localization | |
Xiao et al. | Multi-modal weights sharing and hierarchical feature fusion for RGBD salient object detection |
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 |