【Cross-Forgery】Cross-Forgery Analysis of Vision Transformers and CNNs for Deepfake Image Detection

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
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/142679964
版权

文章目录

Cross-Forgery Analysis of Vision Transformers and CNNs for Deepfake Image Detection

会议/期刊：MAD 2022
作者：
在这里插入图片描述

key points

【泛化性】

在各种深度学习技术中，是否有一种技术能够将deepfake的概念推广到这样一种程度，即它不会与训练集中使用的一种或多种特定的deepfake生成方法相关联。【试图找出哪一种主要的深度学习技术最有能力概括deepfake的概念，从而证明其在识别被从未训练过的方法操纵的图像方面具有鲁棒性】

在基于ForgeryNet数据集的交叉伪造上下文中比较了Vision Transformer和EfficientNetV2。

EfficientNetV2更倾向于专门化，通常在训练方法上获得更好的结果，而Vision Transfo

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-Combining EfficientNet and Vision Transformers for Video Deepfake Detection（深度鉴伪）
一位不是很硕的鉴伪方向硕士
11-20 807
传统基于CNN的方法在EfficientNetB7上效果很好，本文使用EfficientNet B0和ViT结合在DFDC数据集上取得了auc 0.951和f1 0.88的成绩，与DFDC数据集上最好的检测水平非常接近。将各种类型的视觉变换器与卷积EfficientNet B0相结合，提取人脸特征。不使用蒸馏法，也不使用集成法。而是一种基于简单投票的方案，用于处理同一视频镜头中的多个不同人脸。在时间上和跨多个人脸上 聚合推断出视频片段的真伪。
CVPR 2022 论文列表
AI浩
03-24 1万+
CVPR2022 Papers (Papers/Codes/Demos) 分类目录： 1. 检测 2. 分割(Segmentation) 3. 图像处理(Image Processing) 4. 估计(Estimation) 5. 图像&视频检索/视频理解(Image&Video Retrieval/Video Understanding) 6. 人脸(Face) 7. 三维视觉(3D Vision) 8. 目标跟踪(Object Tracking) 9. 医学影像(Medical Imag
CVPR2020论文列表（中英对照）
dovings的博客
07-04 1万+
CVPR论文列表，中英对照
2021年9月_IEEE Transactions on Image Processing_科技前言热点调查表
Haimerdinger的博客
11-03 3314
IEEE Transactions on Image Processing文献跟踪 2021年9月 • 30卷 • 第9期 文献名/代码/相关性 方向 对象 实验方式 工作 亮点 数据集 Geometry Auxiliary Salient Object Detection for Light Fields via Graph Neu.
【CVPR2021】论文汇总列表--Part1
TomRen
05-01 2426
CVPR2021 论文汇总
AAAI 2022 论文列表
热门推荐
gbstack08的专栏
02-15 2万+
链接及代码之后会更新 GitHub链接：https://github.com/gbstack/AAAI-2022-papers Scaled ReLU Matters for Training Vision Transformers Pichao Wang, Xue Wang, Hao Luo, Jingkai Zhou, Zhipeng Zhou, Fan Wang, Hao Li, Rong Jin Search Strategies for Topological Network Optimizat
CVPR2022论文列表（中英对照）
dovings的博客
07-04 1万+
CVPR论文列表，中英对照
CVPR2021论文列表（中英对照）
dovings的博客
07-04 1万+
CVPR论文列表，中英对照
CVPR_2019 Paper
long123444的专栏
03-26 4239
精选论文学习分享，实时分享当前热点处理算法。以及论文学习、下载，请关注公众号：CNNer
Copy-Move-Image-Forgery-Detection-master.zip_copy move forgery_c
07-15
copy move forgery detection matlab program mand source code
image-forgery-detection
09-13
说明： 在JPEG重压缩图像中定位出篡改区域,包括A-DJPG(对齐的JPEG重压缩），NA-DJPG（非对齐的JPEG重压缩）两类。...(Image Forgery Localization via Block-Grained Analysis of JPEG Artifacts.)
Image-Forgery-using-Deep-Learning:使用深度学习的图像伪造检测，在PyTorch中实现
05-02
使用深度学习进行图像伪造 使用深度学习的图像伪造检测，在PyTorch中实现。 提议 整个框架：首先，将RGB图像分为重叠的块（64x64）。... 第一个体系结构是从零开始训练的MobileNetV2，第二个体系结构是通过Image
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
10-03 481
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