基于改进高斯滤波网络的深度伪造检测方法

针对虚假视频的检测中,特征噪声多、数据量大和检测准确率低的问题,提出一种改进高斯滤波对地标点进行去噪和改进深度网络模型来提升精度的算法(IGFNet);算法将高斯滤波拓展到空域和值域上,在滤除低频噪声的同时尽可能保留高频噪声,使得在后续特征数据的处理中,标记点的精度得以提升;采用特征化的数据代替原始数据以减少数据量,使得送入网络的数据量大大缩小,有效缩短了训练时长和减少了网络参数量,在实际应用中可以增加鉴别虚假视频的效率;并且针对人脸属性特征点的差异采用不同深度的双流神经网络,从而更加有效地学习如何鉴别虚假视频。实验表明:改进高斯滤波网络算法(IGFNet)有效地增加了真假脸检测的准确率,在与当前较为优秀的方法如Meso4,Xecption,LRNet等的对比下,IGFNet的准确率均有不同程度的提升,在跨数据集的测试上提升尤为明显;在压缩过的虚假视频测试中,IGFNet的泛化下降程度最低,显示了较强的鲁棒能;通过改进网络加入梯度热力图以直观判断出IGFNet对于深度伪造图片的鉴别能力。

基于改进ConvNeXt的COVID-19胸部图像分类

针对新型冠状病毒感染胸部X-ray图像分类任务数据集样本过少,现有的两阶段分类器和三阶段分类器模型对高纬度的图像特征提取效果差,模型训练慢等问题,提出一种基于ConvNeXt卷积神经网络改进的分类任务算法ConvNeXt-AT。ConvNeXt-AT分类模型首先通过在ConvNeXt Block层添加混合域注意力机制CBAM来提高图像特征提取能力,不仅考虑了通道间的信息交互能力还考虑到了空间域上像素间的联系,得到ConvNeXt-AT模型;然后针对X-ray图片常见的泊松噪声使用全变差正则化方法对数据集进行降噪处理;最后在COVID-19公开的大型数据集共21165张图片进行对比实验。实验结果表明,在训练数据集充分的情况下,改进的ConvNeXt-AT模型相较于常用分类模型ResNet-50、MobileNet、EfficientNet以及原ConvNeXt-T在准确率上分别提升了2%、2.7%、2.1%、1.9%。最后通过Grad-CAM显示类激活图的图像可视化方法证明改进方法是可行的,模型具有很好的鲁棒性。