【FakeCatcher】FakeTagger: Robust Safeguards against DeepFake Dissemination via Provenance Tracking

最新推荐文章于 2024-10-04 05:48:08 发布
最新推荐文章于 2024-10-04 05:48:08 发布
阅读量11 收藏
点赞数
分类专栏： 论文阅读笔记DeepFake 文章标签： 深度学习 人工智能 神经网络
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/142550716
版权

文章目录

FakeTagger: Robust Safeguards against DeepFake Dissemination via Provenance Tracking

会议/期刊：MM 2021
作者：
在这里插入图片描述

key points

设计了一种基于深度学习的方法——FAKETAGGER 【打个标签】

它采用简单而有效的编码器和解码器设计以及信道编码来将信息嵌入到面部图像中，该方法可以在经过各种基于gan的深度假变换后以高置信度恢复嵌入的信息。

嵌入信息可以用来代表面部图像的身份
在这里插入图片描述
现有的Deep

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
【图像拼接】论文精读：Robust Alignment for Panoramic Stitching Via an Exact Rank Constraint（BRAS)
畅游计算机视觉的海洋
08-23 9万+
图像拼接领域论文Robust Alignment for Panoramic Stitching Via an Exact Rank Constraint论文精读，与SOTA方法不同，本文并不是基于特征的图像拼接，而是基于像素。
【论文阅读】NIPS2018 Co-teaching: Robust Training of Deep Neural Networks with Extremely Noisy Labels
suvedo的博客
11-04 3880
论文地址：http://papers.nips.cc/paper/8072-co-teaching-robust-training-o 论文代码：https://github.com/bhanML/Co-teaching （PyTorch） 针对噪声数据的训练，目前主要有两种方式： 训练noise transition matrix，例如：在softmax输出之后再接一层softmax 先从带噪数据中选出干净数据，再用干净数据训练模型 从带噪数据选出干净数据的两个典型网络： Mentor Net：训练一个
【文献阅读笔记】BoT-SORT: Robust Associations Multi-Pedestrian Tracking
Abstract_zhw的博客
01-02 3718
BoT-SORT论文阅读
[论文阅读] BoT-SORT: Robust Associations Multi-Pedestrian Tracking
Geekaka_的博客
07-13 7018
MOT任务上最新屠榜算法——BoT-SORT论文笔记：这篇文章是今年6月底发布的一篇多目标跟踪(MOT)的屠榜方法，命名为BoT-SORT。
【论文-目标追踪】BoT-SORT: Robust Associations Multi-Pedestrian Tracking
豆芽菜
08-31 3785
作者针对卡尔曼滤波次优估计、相机运动问题和指标权衡问题提出了新的追踪器，并整合到了ByteTrack。卡尔曼部分的优化是直接估计宽高取代原来的宽高比和高，获得更准确的宽度估计和HOTA；对于相机运动引入了相机运动补偿方法，通过纠正像面坐标来减少相机刚性运动的影响；对于常用的线性加权运动和外观代价函数，设计了新的代价函数获取更好的检测正例负例分离，获取更好的MOTA和IDF1。......
阅读笔记2：robust visual tracking via convolutional networks without training
godloveme的专栏
05-24 3076
本文是kuaihua zhang研究团队发表在2016TIP上的一篇文章，提出了一种不需要pre-training的卷积神经网络模型跟踪框架（CNT），与传统的基于深度学习的方法相比，本算法不需要大量的数据预训练模型，其次是该神经网络只有两层卷积，结构较为简单，效率高达到5fps（vs DLT 1.5s/f）。通过两层的神经网络在线学习目标鲁棒表达。 框架流程如下： step1：第一帧图像标定
文献阅读--FLTrust: Byzantine-robust Federated Learning via Trust Bootstrapping
热门推荐
学渣的博客
10-08 1万+
本文设计了一个 Byzantine-robust （能够抵御投毒攻击） 的联邦学习框架。在此 Fed 框架中，每一轮梯度聚合前，server 端 会先计算 global模型在 root dataset（server额外收集的干净的数据集，大小为100即可）上的梯度，然后通过计算该梯度和各 client 上传的梯度的 角度获取 TS（信任分数），并进行幅值的缩放，有效地降低了 上传投毒梯度的 client 所造成的影响。 目录1 问题2 挑战2.1 如何辨别哪个client异常？2.2 如何控制更新权重？2
[CVPR 2020] RPM-Net: Robust Point Matching using Learned Features
zhulf0804的博客
10-14 7717
零、概要 论文: RPM-Net: Robust Point Matching using Learned Features tag: CVPR 2020; registration 代码: https://github.com/yewzijian/RPMNet/ 作者: Zi Jian Yew, Gim Hee Lee 机构: Department of Computer Science, National University of Singapore 笔者整理了一个最近几年150多篇点云的论文列表，
ICCV:Robust Multi-Modality Multi-Object Tracking鲁棒多模态多目标跟踪
GENOFDES的博客
10-30 3842
Robust Multi-Modality Multi-Object Tracking鲁棒多模态多目标跟踪学习笔记摘要介绍相关工作多目标跟踪框架 摘要 多传感器感知是自动驾驶系统可靠性和准确性的关键，而多目标跟踪任务(MOT)通过追踪动态目标的序列运动确保其可靠性和准确性。最近在多传感器MOT任务上取得的成果要么依赖于单一的输入源导致可靠性不高，要么在后续处理中不能充分融合多个传感器的固有信息导...
RPM-Net: Robust Point Matching using Learned Features 2020 论文笔记
phy12321的博客
05-17 6439
通讯作者：Gim Hee Lee 第一作者：Zi Jian Yew 研究机构：新加坡国立大学 代码链接：https://github.com/yewzijian/RPMNet 论文解决的问题 解决了点云刚性配准任务中，对初始刚性变换和噪声/离群点敏感的问题。 现有方法的不足 & 本文贡献 迭代最近点法（ICP）分两步迭代求解刚性点云配准问题： 对空间上最近点对应关系进行硬赋值， 求出最小二乘刚性变换 然而，基于空间距离的最近点对应的硬赋值对初始刚性变换和离群点敏感，往往导致ICP收敛到错误..
ALETHEIA: Robust Large-Scale Spectrum Auctions against False-name Bids
02-22
ALETHEIA: Robust Large-Scale Spectrum Auctions against False-name Bids
CVPR18读文笔记：SINT++：Robust Visual Tracking via Adversarial Postive Instance Generation
Trasper1的博客
08-08 2504
CVPR18一共出现了3篇将Adersarial概念应用于tracking，解决正样本弱的问题。VITAL是用了GAN，惊为天人。本文国产，索然性能不是最优，但是VAE+DRL+SINT的集大成之作，还是足够significant。 本文主旨： Improve the robustness of visual tracking through the generation of hard pos...
深度学习·wandb
2301_80132162的博客
10-01 446
一个好用的可视化训练过程和调参工具，建议在深度学习中使用，语法来说更加方便。
安全帽头盔检测数据集 3类 12000张 安全帽数据集 voc yolo
最新发布
阿利同学的博客
10-04 899
安全帽头盔检测数据集 3类 12000张 安全帽数据集 voc yolo
基于CNN+Transformer混合模型实现交通流量时序预测(PyTorch版)
君子不器 大道无方
09-30 1536
本文旨在详细介绍如何使用PyTorch框架实现基于CNN+Transformer的混合模型，并将其应用于交通流量时序预测任务。我们将从模型架构、数据处理、训练优化等多个方面进行深入剖析，力求为读者提供一个全面、系统的学习与实践指南。希望通过本文的介绍，读者能够掌握CNN+Transformer混合模型的基本原理与实现方法，并能够在实际交通流量预测任务中灵活应用，为城市交通管理与规划贡献自己的力量。
深度学习：DCGAN
Landy_Jay的博客
10-01 506
CDGAN（Deep Convolutional Generative Adversarial Networks），是GAN（Generative Adversarial Networks）的一种变体，它特别使用了卷积神经网络（CNNs）作为生成器和判别器的构建模块。DCGAN使用全卷积网络结构代替传统的池化层和全连接层。在生成器中采用转置卷积（也称为分数步长卷积或反卷积）来逐步增加图像的空间维度。在判别器中使用卷积层来逐步减少空间维度并提取特征。
国创——基于分离表示的人脸图像生成技术
2301_80073593的博客
10-01 1018
根据用户的个性化需求，对分离得到的形状和纹理表示进行调整。- 在DFGA框架的几何形状生成模块中，根据输入数据（可能是经过预处理的图像特征等），使用特定的算法或模型生成人脸的几何形状。- 分离表示旨在将人脸图像分解为不同的组件，如几何形状（面部结构）、皮肤纹理（颜色、细节等）等表示形式。- 将生成的几何形状和皮肤纹理进行融合，得到最终的个性化人脸图像或者视频帧（如果是从视频序列输入）。- 定义DFGA框架中的各个模块，如数据加载模块、几何形状生成模块、皮肤纹理生成模块、融合模块等。
基于深度学习的视频摘要生成
weixin_42605076的博客
10-03 482
信息过载：随着视频内容的爆炸性增长，用户很难有效地消费大量视频，视频摘要可以帮助快速浏览重要内容。多场景应用：视频摘要可用于社交媒体、视频检索、监控分析、教育视频浓缩等领域。结合音频与字幕：多模态方法可以同时分析视频、音频、字幕等多种信号，提升摘要生成的准确性和丰富性。视觉和语义信息结合：通过结合视觉内容与语义信息（如字幕或语音转录），模型可以生成更具语义理解的摘要。
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