CN119445679A 基于多分类指导的可泛化深度伪造检测方法 （大连理工大学）_第1页
CN119445679A 基于多分类指导的可泛化深度伪造检测方法 （大连理工大学）_第2页
CN119445679A 基于多分类指导的可泛化深度伪造检测方法 （大连理工大学）_第3页
CN119445679A 基于多分类指导的可泛化深度伪造检测方法 （大连理工大学）_第4页
CN119445679A 基于多分类指导的可泛化深度伪造检测方法 （大连理工大学）_第5页
已阅读5页，还剩19页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

基于多分类指导的可泛化深度伪造检测方法基于多分类指导的可泛化深度伪造检测方的所述的基于多分类指导的可泛化深度伪造检率以及增强标签一致性等方面均表现出显著的24.如权利要求1_3任一项所述的基于多分类指导的可泛化深度伪造检测方法，其特征维度是HXWX2C的特征图；真实类别yi的第i个样本的特征向量与权重向量之间的角度，θj表示第i个样本的34签损失函数确保真假标签级别的二分类和多分类预测之间的一致性；所述二分类损失函5属于真实类别yi的第i个样本的特征向量与权重向量之间的角度，θj表示第i个样[0029]假定是一个由k(k＞1)种伪造方式生成的训练集，其中包含图像6度高达96.34这种检测未知模式的能力比主要关注已知伪造模式的传统方法有了重大[0046](6)灵活的损失函数选择：根据二分类和多分类任务的特点，分别采用了AM_SoftmaxLoss和FocalLoss作为损失函数，这两种损失函数分别适用于不同的分类场景，7不用于限定本发明。下面结合附图1_5对基于多分类指导的可泛化深度伪造检测方法做进8[0061]输入图像在通过二分类和多分类网络后，分别得到二分类网络特征Fbinary和多分属于真实类别yi的第i个样本的特征向量与权重向量之间的角度，θj表示第i个样9[0075]假定是一个由k(k＞1)种伪造方式生成的训练集，其中包含图像[0090]为了评估泛化能力，本发明在四个大型基准数据集上进行了实验，分别是FaceForensics++(FF++)、Celeb_DF、DeepFakeDetection(DFD)和DeeperForensics_1.0DF,F2F,FS,NTDF_1.0线表示。M2B在大多数数据集上都超越了其他方法。在Celeb_DF数据集上，本发明实现了常见的干扰。本发明通过在FF++数据集上训练检测器并在各种未见过的损坏DFD样本上进明显的波动，例如，对比度变化使SBI下降33.73块状失真使MADD和RECCE分别下降

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论