一、论文信息
- 题目:Frequency-aware Discriminative Feature Learning Supervised by Single-Center Loss for Face Forgery Detection(单中心损失指导的频率感知鉴别特征学习在人脸伪造检测中的应用)
- 作者团队:
会议:CVPR 2021
二、背景与创新
- 背景
目前流行的检测方法都是利用神经网络强大的数据拟合能力来提取鉴别特征进行人脸伪造检测,并且基于深度学习的检测方法通常将人脸伪造检测作二元分类问题,并使用softmax loss监督CNN网络在自然和篡改人脸的混合数据集上训练。softmax loss监督下学习到的特征本质上差异性不足,因为softmax loss没有明确的约束类内的紧凑性和类间的离散性。一些研究者尝试使用triplet loss提取差异性特征。但是,常规的度量学习方法通常无差别的约束特征类内的紧凑性,忽略不同类别类内分布的差异性;
- 创新
- 提出了一种新的单中心损失SCL(single-center loss);
- 是一种双流网络,但是他们不是完全用孪生网络,而是在中间部分融合特征,然后再继续提取特征,节约了参数。