(复旦大学计算机科学技术学院 上海 201203) (上海市智能信息处理重点实验室(复旦大学计算机科学技术学院) 上海 200433) (zjweng20@fudan.edu.cn)
出版日期: 2021-07-01基金资助:国家自然科学基金项目(62032006)On the Generalization of Face Forgery Detection with Domain Adversarial Learning
Weng Zejia, Chen Jingjing, Jiang Yugang(School of Computer Science, Fudan University, Shanghai 201203) (Shanghai Key Laboratory of Intelligent Information Processing (School of Computer Science, Fudan University), Shanghai 200433)
Online: 2021-07-01Supported by:This work was supported by the National Natural Science Foundation of China (62032006).摘要/Abstract
摘要： 随着生成式对抗网络(generative adversarial networks, GAN)的快速发展，虚假人脸生成技术取得了显著进展.为了降低以假乱真的人脸生成技术给社会带来的危害，虚假人脸鉴别成为一个非常重要的课题，吸引了国内外研究者的广泛关注.然而，目前虚假人脸鉴别的研究工作相对较少，仍然有许多问题需要被解决.其中如何提升鉴别模型的迁移泛化能力是至关重要的问题，也是虚假人脸检测任务能否实际投入使用的关键所在.如何提升虚假人脸鉴别方法的泛化能力，即做到在没有见过的生成方法产生的数据上仍然准确有效非常重要.对此，提出了基于域对抗学习的可泛化虚假人脸检测模型，通过引入领域对抗分支，弱化特征提取器对于特定生成模型非鲁棒性特征的提取，模型能够抽取鲁棒性更强、泛化能力更高的特征，从而在没有见过的生成方法产生的虚假人脸图片上具有更好的鉴别表现.实验结果表明：所提出的方法能够提升鉴别模型的泛化能力，显著提升虚假人脸鉴别模型在未知生成模型产生的虚假图像上的性能.
参考文献
相关文章 5
| [1] | 贾颖霞, 郎丛妍, 冯松鹤. 基于类别相关的领域自适应交通图像语义分割方法[J]. 计算机研究与发展, 2020, 57(4): 876-887. |
| [2] | 刘欢, 郑庆华, 罗敏楠, 赵洪科, 肖阳, 吕彦章. 基于跨域对抗学习的零样本分类[J]. 计算机研究与发展, 2019, 56(12): 2521-2535. |
| [3] | 冯伟, 杭文龙, 梁爽, 刘学军, 王辉. 基于层间模型知识迁移的深度堆叠最小二乘分类器[J]. 计算机研究与发展, 2019, 56(12): 2589-2599. |
| [4] | 卢 敏, 黄亚楼, 谢茂强, 王 扬, 刘 杰, 廖 振,. 代价敏感的列表排序算法[J]. , 2012, 49(8): 1738-1746. |
| [5] | 杨 武, 云晓春, 李建华,. 一种基于强化规则学习的高效入侵检测方法[J]. , 2006, 43(7): 1252-1259. |
PDF全文下载地址:
https://crad.ict.ac.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=4458
