基于中心差分卷积与频域辅助的人脸活体检测

针对当前基于深度学习的人脸活体检测算法模型结构复杂、参数量和计算量大,同时基于可见光相机读取数据作为模型输入时,容易受到环境光变化的影响,导致模型性能下降等问题,提出一种基于中心差分卷积(CDC)和频域辅助的轻量级人脸活体检测算法。通过CDC、ACON自适应激活函数以及轻量化注意力机制重构MobileNetV3轻量级特征提取网络,并设计傅里叶变换支路对主干提取网络进行辅助矫正,实现降低模型大小、提高活体检测精度的目的。在Replay-Attack以及CASIA-FASD数据集上进行实验,结果表明:算法在模型大小、等错误率、召回率、曲线下面积(AUC)以及准确率等方面有较好的表现。

基于中心差分卷积的自监督学习方法研究

作为无监督学习的一个分支,自监督学习可以从大量无标签数据中学习到有用的特征,是近期一个热门的研究方向.基于前置任务和对比学习的自监督学习已经得到了大量的研究,但对于卷积操作的选择还没有得到足够的重视.将中心差分卷积神经网络引入自监督学习,探究了卷积操作对自监督学习性能的影响.实验结果显示,加入了中心差分卷积神经网络的Resnet18模型相比普通模型在下游分类任务上的性能提升了4.14%,在几乎未增加计算量的情况下,与Resnet50性能相当.

基于广义中心差分卷积和空间分布机制的CG图像检测

针对数字取证和司法鉴定领域中计算机生成图像检测技术日益增长的现实需求,提出一种基于广义中心差分卷积和空间分布机制的计算机生成图像检测网络。首先,设计了一个包含三个并行独立分支的相关性特征提取模块;随后,将三个分支的输出经串接后输入到通道注意力机制子模块;最后,使用5个附带空间分布机制的深度卷积模块进一步学习图像的分层表示来进行最终决策。在SPL2018和DSToK两个公共数据集上的检测准确率可达94.76%和95.38%,相比最好的对比方法对生成图像的检测准确率提高了3.12%和3.23%。消融实验验证了网络中各模块对于模型整体检测效果的贡献。最后,验证了该网络对JPEG压缩和加性噪声的鲁棒性,即使对质量因子为60压缩后的图像,检测准确率仍可达84%以上。提高了模型的检测准确率及鲁棒性。

基于集成学习双流神经网络的实时面部篡改视频检测模型

恶意面部篡改对社会安全和稳定存在负面影响,对面部篡改后的视频图像进行准确的检测是一个十分重要的课题。为了解决视频检测模型实时性较差的问题,提出一种基于集成学习双流循环神经网络的面部篡改视频检测模型,并引入集成学习中的投票机制。首先,接收少量连续的序列帧,通过卷积神经网络进行空间特征的提取,同时引入中心差分卷积进行空间域的篡改伪影增强。然后,将连续的序列帧进行差分,以增强时间域上的篡改伪影,同时通过卷积神经网络进行时间特征的提取。随后,将空间域和时间域的双流特征向量进行拼接,通过循环神经网络进行特征提取。在循环神经网络特征提取过程中,逐帧的特征信息被保留下来作为后续辅助帧级分类器的输入,同时循环神经网络的最终输出作为视频级判别器的输入。最后,引入集成模型的投票机制整合多个辅助帧级判别器和视频级判别器的输出,并通过引入权重超参数γ来平衡辅助帧级判别器和视频级判别器的重要程度,帮助模型提高检测准确率。在FaceForensics++数据集上,与主流检测模型进行对比,所提模型平均准确率提升了0.4%和1.0%。同时,所提模型可以仅使用较少连续帧进行篡改检测,提高了模型的实时性。

基于区域分块和轻量级网络的人脸反欺骗方法

如何高效地辨别各种被攻击的人脸是人脸识别过程中迫切需要解决的问题。基于深度学习的人脸反欺骗方法在有着高性能的同时,也带来了庞大的参数量和计算量,使其无法部署在移动或嵌入式设备中。针对以上问题,提出了一种基于区域分块和轻量级网络的人脸反欺骗方法。首先,对训练样本进行随机区域分块;然后,设计了一种基于注意力机制的轻量级网络用于特征提取和图像分类;最后,为了提高测试准确率,对测试样本进行基于区域分块的数据扩增。实验结果表明,所提模型在CASIA-FASD和REPLAY-ATTACK数据集上达到了100%的准确率;在CASIA-SURF数据集的Depth模态上获得了99.49%的准确率和0.4580%的平均分类错误率(ACER),远优于ResNet、ShuffleNet等卷积神经网络,且该模型的参数量也仅有0.2582 MB。在实际应用中,端到端的轻量级网络结构使所提模型更方便部署在移动设备上来进行实时的人脸反欺骗检测。

基于梯度增强的面部篡改检测算法

面部篡改检测在舆情防控、司法取证等方面起着十分重要的作用。近年来,卷积神经网络在面部篡改检测领域表现出了强大的能力。然而,传统的卷积操作将感知区域的图像灰度值信息直接聚合计算,忽略了图像的细粒度梯度信息,使得检测效果难以进一步提升。基于以上考虑,本文提出一种基于梯度增强的面部篡改检测算法。算法实现了一种基于中心差分卷积的梯度增强模块,通过逐模块的特征增强以弥补传统卷积操作的不足。在FaceForensics++数据集上进行实验验证,显示算法具有更强的细粒度表征能力,同时实验结果较主流算法取得了最高2%的平均准确度提升。

基于多粒度多阶段特征学习的叶片分类和分级方法

论文提出一种新的植物叶片分类以及分级网络模型MGMS(multi-granularity and multi-stage network),该模型关注叶片的多粒度信息,并将多层级粒度特征进行有效融合。模型骨架由通用特征提取网络Resnet50构成,在不同阶段计算提取出特征,并将这些特征拼接,完成多粒度特征提取。此外,还使用了中心差分卷积模块,使模型可以关注图像中更具区分度的局部区域,提取出的特征更具区分性。在训练时采用多阶段训练方式,通过计算每一步提取的特征(包括拼接特征)得到的预测标签与真实标签的损失函数,实现由浅层特征到深层特征的学习,将triplet loss用于模型训练,通过减小anchor与正样本的欧式距离,增大anchor与负样本欧式距离优化目标。该方法在Flavia leaf和Swedish leaf两个公开的叶片分类数据集上分别达到99.3%和99.9%的分类准确率,其中在Swedish leaf数据集上达到了目前最高准确率,在Flavia leaf上与当前最高准确率的方法相当,且在构建的烟叶分级数据集上也达到目前最高的71.2%的分级准确率。