我觉得这篇论文还是蛮不错的,主要思路就是将卷积神经网络以及vit进行结合的想法
我觉得还可以再添加一个频域模态作为辅助模态
项目链接: https://github.com/davide-coccomini/ Combining-EfficientNet-and-Vision-Transformers-for-Video-Deepfake-Detection.
模型的架构图如下:
1.
作者提出了两个想法:
第一个是使用efficient模型与vit进行拼接
第二个思路是使用CNN模型与vit进行拼接
-----------------------------------------
论文的讲解:
第一个是使用efficient模型与vit进行拼接:
特征图在输入vit之前被划分为7*7的图像块,随后经过线性映射,添加上位置编码再输入到MSA中添加注意力,使用的是efficientnet b0,cnn学习低级和局部信息
第二个是将cnn与vit进行相结合:
卷积交叉ViT使用两个不同的分支:s分支处理较小的斑块,l分支处理较大的斑块,以获得更宽的接受域。
Transformer Encoders从两个分支输出的可视标记通过交叉注意组合在一起,从而允许两条路径之间的直接交互。最后,使用与两个分支的输出相对应的CLS令牌生成两个独立的对数。这些对数被求和,使用softmax函数生成最终的概率。
对于卷积交叉ViT,使用两个不同的CNN主干。前者是EfficientNet B0,对s分支处理7 × 7个图像补丁,对l分支处理54 × 54个图像补丁。
后者是Wodajo等人的CNN, s支路处理7 × 7个图像补丁,l支路处理64 × 64个图像补丁。
数据集:FF++、DFDC
实验结果