【无标题】Learning Self-Consistency for Deepfake Detection

最新推荐文章于 2024-09-12 20:37:28 发布
最新推荐文章于 2024-09-12 20:37:28 发布
阅读量75 收藏
点赞数
分类专栏： 论文阅读笔记 Deepfake 文章标签： 深度学习 计算机视觉 论文阅读 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/140765969
版权

文章目录

Learning Self-Consistency for Deepfake Detection

会议：ICCV2021
作者：
在这里插入图片描述

关键点

【利用伪造图像中源特征不一致的线索来检测深度伪造图像】====》有效性+鲁棒性

成对自一致性学习+端到端学习架构

保留和提取源特征

引入了一种新的表征学习方法，称为成对自一致性学习(PCL)，用于训练卷积神经网络提取这些源特征并检测深度假图像。它伴随着一种新的图像合成方法，称为不一致图像生成器(I2G)，为PCL提供丰富的注释训练数据。

我们计算源特征图中每对特征向量之间的余弦相似度，并根据它们对应的图像位置是否来自同一源图像来计算所有对的一致性损失。
我们惩罚来自同一源图像的位置对，

了解本专栏 订阅专栏 解锁全文 超级会员免费看
jessIoss
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
订阅专栏
Learning Self-Consistency for Deepfake Detection论文阅读笔记
weixin_42418315的博客
08-02 753
思想：伪造图像中源特征不一致，检测基于缝合的方法生成的深度伪影基于假设：生成的伪图像可以保存和提取图像的不同源特征方法：成对自一致性学习（PCL)，用于训练ConvNets提取这些源特征并检测深度伪图像。图像合成方法，不一致图像生成器（I2G），为PCL提供丰富注释的训练数据。源特征。
什么是几何深度学习（Geometric Deep Learning）?
sinat_39434559的博客
07-26 5377
什么是几何深度学习Geometric Deep Learning?
Self-supervised Learning of Adversarial Example:Towards Good Generalizations for Deepfake Detection
m0_49639992的博客
02-23 915
为了提升deepfake detector的泛化性，使得模型能更好的应用于现实生活中，本文提出了使用对抗学习（adversarial learning）以及自监督学习（Self-supervised）增强模型对不同deepfake方法的敏感性从而增强泛化性的方法。
Detecting Deepfakes with Self-Blended Images翻译
jjw_zyfx的博客
11-14 2188
以前的方法混合两个不同的脸，并基于选定的源图像和目标图像之间的差异生成伪影。相比之下，我们的方法混合了来自单个图像的稍微变化的脸，并通过变换主动生成伪影。在本例中，我们对源图像应用颜色抖动、锐化、调整大小和平移，而不对目标图像进行任何变换。
15篇「ICCV2021 Oral」最新论文抢先看！看当下计算机视觉在研究什么？
数据派THU
08-08 1113
来源：专知 本文约800字，建议阅读10分钟本文整理来自Twitter、arXiv、知乎放出来的15篇最新ICCV Oral论文，方便大家抢先阅览！ 最近计算机视觉三大顶会之一ICCV...
论文阅读(1): Fighting Fake News: Image Splice Detection via Learned Self-Consistency
weixin_44320615的博客
09-12 646
文章亮点 只使用真实图片训练visual manipulated图片的detector 算法效用 detect and localize image manipulations 论文及github地址 论文主页 github Method部分阅读笔记 3 Learning Photographic Self-consistency 给定两个patches，对n个EXIF元数据属性（metadata attribute）分别计算取值相同的概率x1到xn，然后根据x1到xn计算overall consiste
论文笔记：Dense Contrastive Learning for Self-Supervised Visual Pre-Training
Jesse_08的博客
12-13 2969
论文笔记：Dense Contrastive Learning for Self-Supervised Visual Pre-Training ABSTRACT: 背景：主流的自监督模型都被设计和优化image classification。 但是预训练模型用于预测dense predication task的优化做的不太好，这是由于在image level和piexl level的prediction存在着差异。 dense prediction tasks：predicting a label for
Self-supervised driven consistency training for annotation efficient histopathology image analysis
odssodssey的博客
03-14 2705
自监督驱动的一致性训练用于注释高效的组织病理学图像分析 0、摘要 在这项工作中，我们通过利用基于两个新策略的任务诊断和特定任务的无标签数据来克服这一挑战：i）一个自我监督的预设任务，利用组织学WSI中的潜在多分辨率上下文线索，为无监督表征学习学习一个强大的监督信号；ii）一个新的师生半监督一致性范式，根据与特定任务无标签数据的预测一致性，学习将预训练的表征有效转移到下游任务。我们在三个组织病理学基准数据集上进行了广泛的验证实验，涉及两个分类和一个基于回归的任务，即肿瘤转移检测、组织类型分类和肿瘤细胞性定
【paper reading】《Proposal learning for semi-supervised object detection》
wd18508423052的博客
04-28 1661
原文地址： 文章目录1 Backgroud and Motivation2 Method2.1 overview2.2 self-supervised2.3 consistency3 Experiments4 Conclusions 1 Backgroud and Motivation 如上图d所示，半监督的目标检测是一部分数据具有和全监督一样的标注信息(包括目标框和对应的分类)，剩下部分的数...
自监督学习(Self-Supervised Learning)多篇论文解读（上）
吴建明wujianming_110117
05-30 3227
自监督学习(Self-Supervised Learning)多篇论文解读（上） 前言 Supervised deep learning由于需要大量标注信息，同时之前大量的研究已经解决了许多问题。所以近期大家的研究关注点逐渐转向了Unsupervised learning，许多顶会包括ICML, NeurIPS, CVPR, ICCV相继出现一些不错的paper和研究工作。 这里主要关注Unsupervised learning一类特定的方法：Self-supervised learning（自监督学习）。
TextCNN：文本卷积神经网络模型
weixin_45880844的博客
09-12 252
TextCNN（Text Convolutional Neural Network）是一种用于处理文本数据的卷积神经网（CNN）。通过在文本数据上应用卷积操作来提取局部特征，这些特征可以捕捉到文本中的局部模式，如n-gram（连续的n个单词或字符）。# 它继承自 PyTorch 的 nn.Module# __init__：类的构造函数，初始化模型，包括嵌入层、卷积层、dropout层和全连接层# 调用父类 nn.Module 的构造函数。
基于Pytorch框架的深度学习U2Net网络精细天空分割系统源码
修行之路
09-05 700
基于Pytorch框架的深度学习U2Net网络天空语义精细分割系统源码
深度学习中常见的损失函数
技术宅学长的博客
09-12 377
不同的损失函数适用于不同的任务，回归任务中通常使用均方误差（MSE）和绝对误差（MAE），分类任务中使用交叉熵损失，物体检测和分割中使用IoU和Dice损失，而生成模型中使用对抗损失和重构损失。根据具体任务的特点选择合适的损失函数对于模型的性能有很大影响。
Deep Learning-Based Object Pose Estimation:A Comprehensive Survey
一千零一夜的博客
09-12 429
基于深度学习的目标姿态估计：一份综合的调研
深度学习：基础知识
最新发布
mohanyelong的博客
09-12 579
深度学习：基础知识
CPU 和 GPU：为什么GPU更适合深度学习？
weixin_56054625的博客
09-12 627
GPU（图形处理单元）的诞生，初衷是为了专门应对渲染复杂图形和加速视频处理的需求。随着计算机图形技术的发展，实时 3D 图形的渲染需求逐渐增多，传统的CPU（中央处理器）难以高效处理这些繁重的计算任务。GPU 的出现大大缓解了这一负担，通过其独特的架构将大量的图形处理操作从 CPU 中剥离出来，从而极大地提升了系统的图形处理能力。GPU 的架构设计非常独特，由成百上千个小型处理单元组成，每个处理单元能够独立并行执行指令。这种高度并行的处理能力使 GPU 能够同时处理海量数据。
深度学习——基础知识
2301_79815102的博客
09-12 255
关于张量的一些基本运算符
Temporal Cycle-Consistency Learning的cycle-back regression consistency loss是什么
07-15
Temporal Cycle-Consistency Learning是一种用于视频生成和视频预测的方法。其中，cycle-back regression consistency loss是该方法中的一种损失。 cycle-back regression consistency loss的目标是通过两个方向的...
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