【 SCL】Frequency-aware Discriminative Feature Learning Supervised by Single-Center Loss for Face

最新推荐文章于 2024-10-17 15:34:49 发布
最新推荐文章于 2024-10-17 15:34:49 发布
阅读量60 收藏
点赞数
分类专栏： 论文阅读笔记DeepFake 文章标签： 论文阅读 计算机视觉 人工智能 笔记
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/sinat_39223177/article/details/139658218
版权

文章目录

Frequency-aware Discriminative Feature Learning Supervised by Single-Center Loss for Face Forgery Detection

会议：CVPR2021
作者：
在这里插入图片描述

关键点

提出了一个用于人脸伪造检测的新型频率感知的判别特征学习框架（FDFL）
在这里插入图片描述

【开发高效的自动检测算法具有重要意义】

问题识别：当前的人脸伪造检测方法存在两个主要问题：【判别性不够，精确度不够】
a) 使用softmax损失学习的特征虽然可分，但不够具有判别性，因为softmax损失没有明确地促进类内紧凑性和类间可分性&

了解本专栏 订阅专栏 解锁全文 超级会员免费看
jessIoss
关注
专栏目录
订阅专栏
论文阅读-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
一位不是很硕的鉴伪方向硕士
04-26 4221
本文提出了一种新的单中心损失SCL（single-center loss），是一种双流网络，但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。
cvpr2020 人脸检测与识别_CVPR2020| 最新CVPR2020论文抢先看，附全部下载链接
weixin_39568597的博客
12-19 479
CVPR 2020目标检测Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Training Sample Selection 论文地址：https://arxiv.org/abs/1912.02424代码：https://github.com/sfzhang15/ATSSFew-Shot Ob...
CVPR 2021 |《单中心损失监督下的频率感知鉴别特征学习用于人脸伪造检测》论文阅读
qq_44149041的博客
05-23 1592
文章目录前言一、背景与创新1.背景2.创新二、网络结构2.1 基于频率感知的判别特征学习框架2.2 自适应频域特征生成模块（AFFGM）2.3 单中心损失（SCL）三、实验3.1 数据集3.2 损失函数对比3.3消融实验3.4与其他方法对比 前言 《Frequency-aware Discriminative Feature Learning Supervised by Single-Center Loss for Face Forgery Detection》 这篇论文来自中科大、快手的研究者针对人脸
2021CVPR-单中心损失监督的频率感知判别特征学习用于人脸伪造检测
JngFei的博客
01-18 693
Frequency-aware Discriminative Feature Learning Supervised by Single-Center Loss for Face Forgery Detection 摘要：由于面部操纵技术引起了严重的担忧，面部伪造检测引起了人们对计算机视觉的日益增长的兴趣。尽管最近的工作取得了不错的成绩，但仍然存在不可忽视的问题：a）由 softmax loss 监督的学习特征是可分离的，但判别力不够，因为 softmax loss 没有明确鼓励类内紧凑性和类间可分离性；
中心损失和单中心损失
qq_47997535的博客
07-14 858
单中心损失和中心损失
科研学习|论文解读——CVPR 2021 人脸造假检测（论文合集）
也许有一天我们再相逢 睁开眼睛看清楚 我才是英雄！
04-28 2514
deepfake的人脸伪造技术在互联网上广泛传播，并引起了严重的社会关注。近年来，如何检测此类伪造内容已成为一个研究热点，并提出了许多深度伪造检测方法。其中，大多数将深度伪造检测建模为普通的二元分类问题，即首先使用骨干网络提取全局特征，然后将其输入二元分类器(real/fake)。但由于这个任务中，真实图像和虚假图像之间的差异通常是微妙和局部的，我们认为这种香草解决方案不是最优的。在本文中，我们将深度伪造检测描述为一个细粒度的分类问题，并提出了一种新的多注意力深度伪造检测网络。
西门子SCL编程语言S7-SCL指导手册 for S7-300 and S7-400.rar
06-21
西门子SCL编程语言，全称为Structured Control Language，是一种基于高级语言的编程方式，用于在S7-300和S7-400系列PLC（可编程逻辑控制器）上进行程序编写。SCL提供了更为结构化和模块化的编程环境，与传统的IL...
datasheet_scl3300-d01.pdf
11-08
scl3300-d01，datasheet，数据描述表，高性能3轴倾角传感器 在倾斜测定方面具有超高性能 尺寸: 7.6×8.6×3.3mm (宽×长×高) 针对用途以及要求值可从4种模式中选择测定模式 超低噪声、高分辨率 0.001°/√Hz SPI...
SIMATIC-S7-SCL-V5.6安装包-链接地址.txt
08-30
SIMATIC_S7-SCL_V5.6安装包-链接地址
西门子SCL编程语言指导手册S7-SCL - Working with S7-SCL.rar
06-21
西门子SCL编程语言是SIMATIC编程系统中的一种高级文本编程语言，主要应用于S7-1500和S7-300/400系列PLC。"SCL"代表Structured Control Language，是一种基于IEC 61131-3标准的编程语言，类似于传统的高级语言如C或...
论文笔记 ICLR 2024 MogaNet: Multi-Order Gated Aggregation Network
985小菜鸡
10-14 378
然后是的输出可以作为的输入。这种设计符合MogaNet的整体结构逻辑，即先通过Moga Block进行空间维度和上下文特征的多阶交互聚合，再通过CA Block在通道维度上进行自适应的特征重新分配和聚合。
论文阅读 BLIP-2
谁怕平生太急
10-11 1117
使用冻结的图像编码器和大型语言模型进行语言-图像预训练的BLIP-2 通过一个轻量级的查询变换器弥合了模态之间的差距。第一阶段通过冻结的图像编码器视觉-语言表示学习。第二阶段通过一个冻结的语言模型从视觉到语言的生成学习。
字节 HLLM 论文阅读
最新发布
weixin_72641252的博客
10-17 509
提出了提取项目特征的方法。llm在文本理解方面表现出了出色的性能，在项目文本描述的末尾添加一个特殊的令牌[ITEM]来提取特征，类比与Bert的放在末尾的[CLS]。其中因为输入时候emb，所以直接丢弃了tokenizer，但是其他层的权重值留下了，作者说是很有用，不知道真的假的。1.生成式：主要是flow的meta家的HSTU工作，看过的小伙伴，欢迎补充信息。RQ1: LLM的一般预训练和带推荐目标的微调是否提高了最终的推荐性能？本篇文章，主要的创新点其实在与2步走的分层训练，使得训练参数的大小减少。
10.13论文阅读
weixin_45409613的博客
10-13 1184
局部特征提取是计算机视觉中处理图像匹配和检索等关键任务的常用方法。大多数方法的核心理念是图像经历仿射变换，忽略了诸如非刚性形变等更复杂的效果。此外，针对非刚性对应的新兴工作仍然依赖于为刚性变换设计的特征点检测器，这由于检测器的局限性而限制了性能。我们提出了DALF（Deformation-Aware Local Features，可变形感知局部特征），一种新颖的可变形感知网络，用于联合检测和描述关键点，以处理匹配可变形表面的挑战性问题。所有网络组件通过特征融合方法协同工作，确保描述子的独特性和不变性。
[论文阅读]SCOTT: Self-Consistent Chain-of-Thought Distillation
m0_52911108的博客
10-13 896
尽管思维链 CoT 可以显著提高性能，但这种收益仅在足够大的 LMs 中才能观察到。更令人担忧的是，几乎无法保证生成的理由与 LM 的预测一致或忠实地证明决策的合理性。在这项工作中，我们提出了 SCOTT，这是一种忠实的知识蒸馏方法，用于从规模大几个数量级的教师模型中学习一个小型、自洽的 CoT 模型。为了形成更好的监督，我们通过对比解码从大型 LM（教师）中引出支持黄金答案的理由，这鼓励教师生成仅在考虑答案时才更合理的标记。
【论文笔记】Fine-tuned CLIP Models are Efficient Video Learners
小嗷犬的博客
10-14 905
大规模的图像-文本对多模态训练赋予了CLIP模型强大的泛化能力。由于在类似规模上对视频进行训练不可行，最近的方法集中于有效地将基于图像的CLIP迁移到视频领域。在此追求中，添加了新的参数模块来学习时间信息和帧间关系，这需要细致的设计努力。此外，当在视频上学习得到的模型时，它们往往在给定的任务分布上过度拟合，且在泛化方面存在不足。这引发了一个问题：如何有效地将图像级别的CLIP表示迁移到视频中？
论文笔记：RelationPrompt :Zero-Shot Relation Triplet Extraction
Daisymanman的博客
10-12 2044
提示学习关系三元组抽取
论文笔记：Prompt-Based Meta-Learning For Few-shot Text Classification
Daisymanman的博客
10-12 1524
Prompt-Based Meta-Learning
【论文阅读】Detach and unite: A simple meta-transfer for few-shot learning
cainiaomyf的博客
10-17 289
小样本学习（Few-shot Learning, FSL）是一个具有挑战性的问题，旨在从有限的示例中学习并进行泛化。最近的研究采用了元学习和迁移学习策略的结合来解决 FSL 任务。这些方法执行预训练，并将学到的知识转移到元学习中。然而，这种迁移模式是否适当尚不明确，且这两种学习策略的目标尚未得到充分探讨。此外，FSL 中元学习的推理依赖于样本关系，而这些关系需要进一步考虑。在本文中，我们揭示了预训练与元学习策略之间一个被忽视的学习目标差异，并提出了一种简单但有效的小样本分类任务学习范式。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值