基于RNN網絡的Deepfake檢測是怎樣的

這期內容當中小編將會給大家?guī)碛嘘P基于RNN網絡的Deepfake檢測是怎樣的，文章內容豐富且以專業(yè)的角度為大家分析和敘述，閱讀完這篇文章希望大家可以有所收獲。

公司主營業(yè)務：網站設計制作、網站設計、移動網站開發(fā)等業(yè)務。幫助企業(yè)客戶真正實現(xiàn)互聯(lián)網宣傳，提高企業(yè)的競爭能力。成都創(chuàng)新互聯(lián)公司是一支青春激揚、勤奮敬業(yè)、活力青春激揚、勤奮敬業(yè)、活力澎湃、和諧高效的團隊。公司秉承以“開放、自由、嚴謹、自律”為核心的企業(yè)文化，感謝他們對我們的高要求，感謝他們從不同領域給我們帶來的挑戰(zhàn)，讓我們激情的團隊有機會用頭腦與智慧不斷的給客戶帶來驚喜。成都創(chuàng)新互聯(lián)公司推出下冶免費做網站回饋大家。

0. 簡介

今天給大家介紹的是一篇基于CNN+RNN結構的檢測Deepfakes框架

1. 前言

大部分檢測假臉工作是在圖片上進行的，而針對deepfake視頻往往有很少檢測方法。這個工作里我們提出了一種基于時間序列的處理方法，用于檢測Deepfake視頻。我們采用了CNN去提取幀級別的高維特征，并用這些高維特征訓練RNN。我們展示了通過一個簡單的架構也能在檢測任務上達到不俗的效果。

2. Deepfake視頻生成

深度學習方法可用于圖片壓縮性能，最常用的就是自編解碼器(AutoEncoder-Decoder)。自編碼器可以通過最小化損失函數(shù)，將圖片壓縮成一個高維特征，這比現(xiàn)有的壓縮方法都要來的高效

而編碼器則是將高維特征映射回圖片，如Figure2所示

使得Deepfakes生效，關鍵是將兩個潛在的人臉編碼到相同的特征上

我們通過共享一個自編碼器權重，而去分別訓練兩個自解碼器。

當我們去替換人臉的時候，先對輸入圖像編碼，再用目標人臉解碼器去解碼

但是自編解碼器在不同攝像角度，不同光照等復雜條件下，很難去生成人臉。種種條件變化導致人臉替換部分與背景在視覺上不一致，這種幀級別的場景不一致性將是我們方法利用的第一個特性

第二個特性來自于替換人臉需要用到人臉檢測器，而自編解碼器只關注人臉部分，很少去關注余下的背景信息，因此最后融合很容易出現(xiàn)邊界效應

第三個特性是自編解碼器是獨立于每一幀的，它并不考慮前后幀生成人臉圖片效果。最突出的是幀與幀之間光源的不一致性，導致假臉有閃爍現(xiàn)象，這種特征是很適合使用CNN來進行像素級別的檢測。

3. 整體架構

至此我們確定了基礎架構，由CNN提取幀特征，由LSTM進行時間序列上的分析，我們的網絡還包含2個全連接層加Dropout以防模型過擬合

我們使用預訓練后的InceptionV3網絡作為CNN結構，對輸入的圖片抽取出2048個特征。

抽取得到的2048特征，送入LSTM單元，接一個512單元的全連接層，0.5概率的Dropout，最后通過softmax計算概率，做最終的二分類

4. 訓練策略

抽取每個通道的特征
圖像縮放至299x299
每個視頻幀序列長度分別為20/40/80
優(yōu)化器選用Adam，學習率為1e-5，decay為1e-6

5. 實驗結果

最終結果顯示增加幀序列，能提高一定的準確率，但是提升幅度不是很大

上述就是小編為大家分享的基于RNN網絡的Deepfake檢測是怎樣的了，如果剛好有類似的疑惑，不妨參照上述分析進行理解。如果想知道更多相關知識，歡迎關注創(chuàng)新互聯(lián)行業(yè)資訊頻道。

名稱欄目：基于RNN網絡的Deepfake檢測是怎樣的
URL標題：http://jinyejixie.com/article40/jjiiho.html

成都網站建設公司_創(chuàng)新互聯(lián)，為您提供營銷型網站建設、響應式網站、、移動網站建設、搜索引擎優(yōu)化、全網營銷推廣

聲明：本網站發(fā)布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源：創(chuàng)新互聯(lián)

猜你還喜歡下面的內容