【FakeCatcher】FakeCatcher: Detection of Synthetic Portrait Videos using Biological Signals

已于 2024-09-26 11:00:44 修改
阅读量8 收藏
点赞数
分类专栏： 论文阅读笔记DeepFake 文章标签： 深度学习 神经网络 人工智能
于 2024-09-26 10:59:51 首次发布
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/142446222
版权

文章目录

FakeCatcher: Detection of Synthetic Portrait Videos using Biological Signals

期刊：TPAMI 2020
作者：
在这里插入图片描述
http://bit.ly/FakeCatcher

key points

预防性解决方案

生物信号

隐藏在人像视频中的生物信号可以作为真实性的隐式描述符，因为它们既没有在空间上也没有在时间上保存在虚假内容中。

我们首先对成对分离问题进行了几个信号变换，达到了99.39%的精度。
其次，我们利用这些发现，通过分析提出的信号变换和相应的特征集，为虚假内容制定一个广义分类器。
第三，我们生成新的信号映射，并使用CNN来改进传统的分类器来检测合成内容。
最后，我们发布了一个“在野外”的假人像视频数

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
Community Detection in Graph:Community Detection in Graph using Synthetic Coordinates-matlab开发
06-01
这是一个实现使用合成坐标进行社区检测以及 [1] 中使用的合成数据集。 更多细节可以在www.csd.uoc.gr/~cpanag 中找到并在... 如果您使用它们，请引用 [1]。 .java 文件的代码由 H. Papadakis 撰写。...
TinkerCell : CAD for Synthetic Biology-开源
04-28
TinkerCell是用于合成生物学的软件。 可视界面允许用户使用各种生物“部分”来设计网络。 模型可以包括模块和多个单元。 用户可以使用C或Python编写新函数。 www.tinkercell。
Experimental research of circular incoherently synthetic aperture imaging ladar using chirped-laser and heterodyne detection
02-09
Synthetic aperture imaging ladar (SAIL) technique belongs fully coherent processing in both the time domain and space domain and has a rather high implement difficulty. To solve this problem, the ...
Vehicles: Experiments in Synthetic Psychology
12-05
这本书对反应式机器人和行为式机器人有各种介绍，对智能机器人的爱好者是一个很不错的启发学习。
基于深度学习的多智能体协作
weixin_42605076的博客
09-23 1032
基于深度学习的多智能体协作是一种通过多个智能体相互协作完成复杂任务的框架，利用深度学习技术来优化智能体之间的合作与决策过程。多智能体系统广泛应用于自动驾驶、机器人群体、游戏AI、资源调度、无人机编队等领域，其中每个智能体通常具有自主性，并与其他智能体共享信息或协同工作，以共同实现全局目标。
[论文总结] 深度学习在农业领域应用论文笔记13
You and Me
09-25 1148
这篇论文的立意是从实际出发的，与很多根据卫星图像来预测产量的文章不同，该研究的目的强调了不是产量预测而是提出使用棉花种植区块产量和纤维质量（长度和微米）数据来说明作物生产数据的缩小区域观测的通用方法。在实验数据方面，采用了澳大利亚11个种植区域2年生长季节260天的生长数据，8种不同植被指数、32个协变量和棉花的产量和棉纤维微米（质量）以及总共有约25张卫星图像可用于 NNSW区域，约70 张图像可用于SNSW区域。数据量挺大的，做的内容也具有实际意义。挺好的一篇文章。
在深度学习中，是否应该打破正负样本1:1的迷信思想？
Angelina_Jolie的博客
09-25 750
如果任务很简单（如上图第一行的数据分布，线性可分） ，那么即便有很悬殊的正负样本数量比例（如最右侧，正负样本 1:100），也不影响模型可以直接在原始数据上学习得到一个完美的分类边界，并实现 0 错误率：见下图第一行，即使 IR=100 模型也可以实现 0 分类错误（分类错误的 sample 由红色表示）。但通常我们都更加关心少数类样本（positive cases，例如医疗诊断中的病人、欺诈/攻击检测中的恶意用户等）并使用 balanced accuracy，macro-f1 等 metric。
用于MRI重建的具有全局感受野的傅里叶卷积块|文献速递--基于多模态-半监督深度学习的病理学诊断与病灶分割
weixin_38594676的博客
09-26 916
在本研究中，我们提出了一种新颖的全局傅里叶卷积块（FCB），具有整个图像的感受野和较低的计算复杂度，通过将常规的空间域卷积转化为频率域实现。在本研究中，我们提出了一种新颖的全局傅里叶卷积块（FCB），具有整个图像的感受野和较低的计算复杂度，通过将常规的空间域卷积转化为频率域实现。这意味着，虽然傅里叶域中的卷积核 W 大小与输入相同，但它的空间对应物可以是一个大小为 K × K 的零填充卷积核，大小范围从 1 × 1 到输入大小 N × N 不等。顶部显示了8×加速的结果，底部显示了12×加速的结果。
cnn机器学习时python版本不兼容报错
所念皆星河
09-22 214
A module that was compiled using NumPy 1.x cannot be run in NumPy 2.1.1 as it may crash. To support both 1.x and 2.x versions of NumPy, modules must be compiled with NumPy 2.0. Some module may need to rebuild instead e.g. with 'pybind11>=2.12'.
深度学习：神经网络--手写数字识别
纸上得来终觉浅
09-22 1874
神经网络--手写数字识别
【深度学习】（4）--卷积神经网络
m0_74896766的博客
09-22 1530
本篇介绍了卷积神经网络的结构以及它的优点： 1. 卷积神经网络能够将变换的物体识别出来。 2. 卷积神经网络的结构：由输入层、卷积层、激活层、池化层、全连接层、输出层组成。 3. 什么是感受野。
深度学习：（六）激活函数的选择与介绍
qq_51409113的博客
09-22 1611
详细介绍了四种激活函数
【NLP】循环神经网络--RNN学习.day3
alb3117149013的博客
09-25 1039
循环神经网络（Recurrent Neural Network, RNN）是一种用于处理序列数据的深度学习模型。与传统的静态神经网络相比，RNN 可以有效处理输入数据的时间序列特性。这使得 RNN 在处理自然语言处理（NLP）、时间序列预测、音频处理等任务时非常有效。以下是对 RNN 的详细解释。
深度学习==CNN卷积神经网络手写数字识别
hebian1994的博客
09-22 356
flask api调用模型。使用刚才训练好的模型。
基于深度学习的缺失数据的图像修复
weixin_42605076的博客
09-26 840
图像修复的基本目标是根据图像的上下文信息恢复缺失的部分。卷积神经网络（CNN）：CNN通过学习图像的局部特征，能够有效捕捉到图像的空间信息。模型通常在含有缺失区域的图像和相应的完整图像之间进行训练，以学习如何填补这些缺失区域。生成对抗网络（GANs）：GANs通过对抗训练的方式提高生成图像的质量。修复网络和判别网络相互竞争，修复网络努力生成真实的缺失部分，而判别网络则尝试区分修复后的图像和真实图像。这样可以生成更加自然和真实的修复结果。自编码器。
深度学习与应用：行人跟踪
qz1992的专栏
09-22 781
4. 已安装软件：python版本：python 3.9，显卡驱动，cuda版本：cuda11.3 cudnn 版本：8.4.1,torch==1.12.1+cu113,torchvision= 0.13.1+cu113。- 准备多目标跟踪数据集MOT17 ，下载地址位于（Https://motchallenge.net），放置于工程路径为：（examples/val_utils/data/MOT17）3. MOT17数据集存储位置：examples/val_utils/data/MOT17。
探索深度学习的奥秘：从理论到实践的奇幻之旅
来自想要赚大钱的小周同学
09-23 2167
在自然语言处理（NLP）中，Transformer模型通过自注意力（self-attention）机制实现了对序列中每个元素与其他元素之间关系的建模，极大地提升了语言模型的性能。DRL通过深度学习模型来处理复杂的输入（如图像、文本等），并利用强化学习算法来优化模型的行为策略。在自动驾驶领域，深度学习模型通过处理车载摄像头和雷达等传感器收集的数据，实现车辆的自主导航和避障。今天，让我们携手踏上一场探索深度学习奥秘的奇幻之旅，从理论的深邃海洋到实践的广袤大地，揭开它神秘的面纱。
【深度学习】（10）--ResNet残差网络
最新发布
m0_74896766的博客
09-28 732
本篇介绍了： ResNet残差网络的好处：解决梯度消失和梯度爆炸以及退化问题。 ResNet残差网络有两个核心特征：1. 残差结构；2. BN（Batch Normalization）。 残差结构：防止退化。 BN：减少梯度消失和梯度爆炸问题。
Change Detection From Synthetic Aperture Radar Images via Graph-Based Knowledge Supplement Network讲解
06-09
这是一篇关于利用合成孔径雷达图像进行变化检测的论文。在该论文中，作者提出了一种基于图形知识补充网络（Graph-Based Knowledge Supplement Network）的方法，该方法利用了合成孔径雷达（Synthetic Aperture Radar，SAR）图像的特殊性质，通过对SAR图像中的像元进行建图，从而实现对变化区域的检测。该方法利用了对SAR图像中像元之间的空间关系和相似性的建模，从而提高了变化检测的准确性和鲁棒性。论文中的方法通过在两个时间点拍摄的SAR图像之间进行对比，实现了变化检测。该方法在多个数据集上进行了测试，并取得了较好的检测效果。
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