溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
今天就跟大家聊聊有關DeepFake中的FakeSpotter是怎么樣的，可能很多人都不太了解，為了讓大家更加了解，小編給大家總結了以下內容，希望大家根據這篇文章可以有所收獲。
近些年來，各種各樣的GAN網絡在圖片生成上取得巨大成功，然后現有的檢測器還不足以完全面對GAN網絡的挑戰。本文提出了一種基于人類神經行為來辨別真假人臉的模型，我們推測每一層神經元激活函數可能提取到更多微小的特征，而這些特征對于真假人臉識別是十分重要的。
神經元覆蓋技術被廣泛應用于傳統DNN的內部行為，當輸出值大于閾值的激活神經元，被激活的神經元將作為輸入的另一種形式，將學習的內容一層層保存在網絡中
而前人也有一些工作針對關鍵的激活神經層用于檢測對抗例子。
我們工作的靈感來自分層激活的神經元，它捕捉輸入的微妙特征，可以用來尋找真實和合成的面部圖像之間的差異。
上圖是FakeSpotter檢測框架，與傳統框架不同的是根據每層神經元激活特性來進行人臉分析。
在傳統DNN中，每一層神經元是否被激活取決于他的輸出值是否高于閾值Threshold
我們提出了一種確立閾值的策略，公式如下
分式上面是各個神經元輸出值之和
|N|代表當前層神經元的總數目
|T|代表當前層輸入的個數
最后通過這個閾值來決定這個神經元是否被激活
下圖是描述這兩種策略的算法
我們通過壓縮，模糊，縮放，加噪聲來評價模型的魯棒性。
可以看到在檢測DFDC這個數據集上表現并不是那么好。
因為該數據集有人臉替換，聲音替換這兩種類型，而聲音替換是超過FakeSpotter這種基于圖像的檢測框架范圍內了。
可以看到FakeSpotter仍然保持較好的檢測率。
在DeepFake檢測領域中，關鍵一個問題是模型的魯棒性，一個訓練好的模型可能換到另外一個數據集就失效了。該工作受DNN神經元激活層的啟發，將激活層輸出值，平均到每個神經元上，作為一個閾值加入到整體網絡進行訓練，而最后在多個模型實驗下，也表明這種基于激活層閾值策略，能得到更多細微特征，進一步提高模型魯棒性。
看完上述內容，你們對DeepFake中的FakeSpotter是怎么樣的有進一步的了解嗎？如果還想了解更多知識或者相關內容，請關注億速云行業資訊頻道，感謝大家的支持。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
