图像分类任务中,在使用卷积神经网络提取图像特征信息时,通过最大池化和下采样的操作提高模型感受野的同时会带来特征图分辨率下降、上下文信息丢失等问题,在原本分辨率较低的人脸深度伪造图像中,局部有效特征信息的丢失会对分类准确度...图像分类任务中,在使用卷积神经网络提取图像特征信息时,通过最大池化和下采样的操作提高模型感受野的同时会带来特征图分辨率下降、上下文信息丢失等问题,在原本分辨率较低的人脸深度伪造图像中,局部有效特征信息的丢失会对分类准确度带来较大的影响。基于以上存在的问题,文中提出基于空洞卷积多尺度信息融合的人脸深度伪造检测方法。该方法采用全卷积Resnet34模型和基于空洞卷积的多通道特征融合的结构,利用空洞卷积网络在提高网络感受野的同时不丢失特征图信息的优势,融合多尺度空间特征信息,最大程度地捕捉图像上下文信息。实验在Faceforensic++、Celeb⁃deepfakeforensics、Deepfake in the wild、DFDC previous数据集上均取得比当前其他方法更好的效果。实验结果表明,提取高层语义信息后进行多尺度特征融合,可以提高分辨率低的人脸深度伪造图像的分类效果。展开更多
文摘图像分类任务中,在使用卷积神经网络提取图像特征信息时,通过最大池化和下采样的操作提高模型感受野的同时会带来特征图分辨率下降、上下文信息丢失等问题,在原本分辨率较低的人脸深度伪造图像中,局部有效特征信息的丢失会对分类准确度带来较大的影响。基于以上存在的问题,文中提出基于空洞卷积多尺度信息融合的人脸深度伪造检测方法。该方法采用全卷积Resnet34模型和基于空洞卷积的多通道特征融合的结构,利用空洞卷积网络在提高网络感受野的同时不丢失特征图信息的优势,融合多尺度空间特征信息,最大程度地捕捉图像上下文信息。实验在Faceforensic++、Celeb⁃deepfakeforensics、Deepfake in the wild、DFDC previous数据集上均取得比当前其他方法更好的效果。实验结果表明,提取高层语义信息后进行多尺度特征融合,可以提高分辨率低的人脸深度伪造图像的分类效果。