-
公开(公告)号：CN113537173B
公开(公告)日：2022-03-18
申请号：CN202111084084.8
申请日：2021-09-16
申请人： 中国人民解放军国防科技大学
摘要： 本发明公开了一种基于面部补丁映射的人脸图像真伪识别方法，包括以下步骤：获取人脸数据信息，从所述人脸数据信息中转换出单帧图像序列，对所述单帧图像序列进行面部检测，裁剪出人脸区域图像；在所述的人脸区域图像中提取局部补丁，包括眼睛眉毛补丁、左脸颊补丁、右脸颊补丁，鼻子补丁和嘴巴下颚补丁；将所述的局部补丁分别映射到卷积神经网络的不同卷积层来获得相应位置和大小的特征图；采用RoiAlign模块将所述的特征图由不同尺寸大小转换为固定尺寸大小的特征图；利用所述的固定尺寸大小的特征图训练二分类模型，采用局部投票的方式整合局部补丁的二分类判别结果，获得人脸图像真伪的识别结果。
-
公开(公告)号：CN113298096A
公开(公告)日：2021-08-24
申请号：CN202110766324.6
申请日：2021-07-07
申请人： 中国人民解放军国防科技大学
摘要： 本发明提供一种训练零样本分类模型的方法、系统、电子设备及存储介质，该方法包括对每个样本图像进行多次切分重组，并将每次切分重组后的重组图像按照拼图参数从大到小的顺序依次输入所述零样本分类模型中，通过所述基准神经网络层和所述全卷积神经网络层，得到所述重组图像的加权全局特征，并通过所述第二神经网络层计算所述加权全局特征与该未见类别的语义嵌入向量的相容性得分，并基于所述相容性得分得到所述样本图像属于该未见类别的预测概率，从而使模型可以从小到大逐渐学习目标的局部特征，提高了零样本分类模型分类的准确性。
-
公开(公告)号：CN112990202B
公开(公告)日：2021-08-06
申请号：CN202110497553.2
申请日：2021-05-08
申请人： 中国人民解放军国防科技大学
摘要： 本发明公开了一种基于稀疏表示的场景图生成方法和系统，该方法包括：通过快速区域卷积神经网络对原图像进行目标检测，获得目标区域集；通过预设的关系度量网络将目标对的所有边识别为前景边和背景边，并构造稀疏图；通过基于图注意力神经网络的特征融合和更新策略，对稀疏图上的节点和边进行同步学习，并识别目标类型和关系；根据识别得到的目标类型和关系生成场景图。本发明能够有效过滤虚假关系，进而有效生成稀疏图，并且降低了稠密图的计算复杂度以及提高了图消息传递效率；同时本发明能够准确从稀疏图中提取特征，进而准确生成场景图。
-
公开(公告)号：CN112528969B
公开(公告)日：2021-06-08
申请号：CN202110174270.4
申请日：2021-02-07
申请人： 中国人民解放军国防科技大学
摘要： 本申请涉及一种人脸图像的真伪检测方法、系统、计算机设备和存储介质，通过基于图像降质分析的深度伪造检测，从引起图像质量退化的角度进行了伪造人脸区域的视觉特性的说明，通过提取人脸图像的纹理特征、基于梯度的清晰度指标、频域特征，并与深度特征相结合，能够有效捕获人脸图像产生的不真实细节信息，从而实现对真实人脸图像与虚假人脸图像的准确区分。本发明所提出的方法对低质量和高质量的篡改人脸图像都能精确地识别，同时该人脸识别也具有突出的泛化性能。
-
公开(公告)号：CN114724008B
公开(公告)日：2024-09-13
申请号：CN202210380766.1
申请日：2022-04-12
申请人： 中国人民解放军国防科技大学
IPC分类号： G06V10/774 , G06V10/80 , G06V10/764
摘要： 本发明公开了一种联合多尺度特征的深度伪造图像检测方法，具体来说，首先，基于反事实因果推理来扩充数据集，并生成反事实和事实样本，以防止模型受到伪相关特征的干扰，确保模型学习到无偏的特征表达。随后，构建了一个双流预测网络，该网络使用足够底层的和较高级的卷积特征来捕获不同类型的伪造痕迹。在每个流中利用基于特征金字塔的多尺度特征提取模块来丰富特征表示，每个流的末端分别设置了一个分类器。经多特征融合后，利用更深层的卷积模块，从之前学习到的组合特征中学习更高级的语义信息，然后使用分类器进行预测。最后，将设置在网络不同位置处的三个分类器的结果组合起来得到最终的预测结果。
-
公开(公告)号：CN117649621A
公开(公告)日：2024-03-05
申请号：CN202311333691.2
申请日：2023-10-13
申请人： 中国人民解放军国防科技大学
IPC分类号： G06V20/40 , G06V10/764 , G06V10/774 , G06V40/16 , G06V10/82 , G06N3/09
摘要： 本发明提供一种伪造视频检测方法、装置及设备，该方法包括：将获得的包含人脸特征的视频数据集进行处理形成图像序列集；构建模型架构，模型架构包括空间缺陷提取模块、动态缺陷提取模块、分类模块；基于图像序列集及第一损失函数、第二损失函数对模型架构进行训练，以得到能够检测伪造视频和/或确定使用的伪造算法的检测模型，所述第一损失函数用于对分类模块输出的结果进行训练，所述第二损失函数用于对动态缺陷提取模块输出的数据进行训练；获得待测视频数据，对待测视频数据进行处理形成待测图像序列集；将待测图像序列集输入至检测模型，得到对应的检测结果。本发明的伪造视频检测方法能够准确、高效地对伪造视频进行识别检测。
-
公开(公告)号：CN114821706A
公开(公告)日：2022-07-29
申请号：CN202210320007.6
申请日：2022-03-29
申请人： 中国人民解放军国防科技大学
IPC分类号： G06V40/16 , G06K9/62 , G06N3/04 , G06V10/774
摘要： 本发明公开了一种基于区域感知的伪造图像检测与定位方法，具体来说，本方法采用的网络模型由数据预处理模块、受监督的编码器‑解码器网络以及分类预测网络组成。编码器‑解码器网络将原始输入图像转变为一个灰度图像，与分类预测网络相结合，不仅可以判断一张人脸图像是伪造的还是真实的，而且还可以准确定位伪造区域。同时，本发明还提出了一种用于区域感知深度伪造检测的新的混合损失，所述混合损失通过融合二元交叉熵(BCE)损失和IoU损失，指导网络在图像级(map‑level)以及像素级(pixel‑level)2个不同的层次上学习输入图像与标签之间的转换。
-
公开(公告)号：CN113298096B
公开(公告)日：2021-10-01
申请号：CN202110766324.6
申请日：2021-07-07
申请人： 中国人民解放军国防科技大学
摘要： 本发明提供一种训练零样本分类模型的方法、系统、电子设备及存储介质，该方法包括对每个样本图像进行多次切分重组，并将每次切分重组后的重组图像按照拼图参数从大到小的顺序依次输入所述零样本分类模型中，通过所述基准神经网络层和所述全卷积神经网络层，得到所述重组图像的加权全局特征，并通过所述第二神经网络层计算所述加权全局特征与该未见类别的语义嵌入向量的相容性得分，并基于所述相容性得分得到所述样本图像属于该未见类别的预测概率，从而使模型可以从小到大逐渐学习目标的局部特征，提高了零样本分类模型分类的准确性。
-
公开(公告)号：CN112528969A
公开(公告)日：2021-03-19
申请号：CN202110174270.4
申请日：2021-02-07
申请人： 中国人民解放军国防科技大学
摘要： 本申请涉及一种人脸图像的真伪检测方法、系统、计算机设备和存储介质，通过基于图像降质分析的深度伪造检测，从引起图像质量退化的角度进行了伪造人脸区域的视觉特性的说明，通过提取人脸图像的纹理特征、基于梯度的清晰度指标、频域特征，并与深度特征相结合，能够有效捕获人脸图像产生的不真实细节信息，从而实现对真实人脸图像与虚假人脸图像的准确区分。本发明所提出的方法对低质量和高质量的篡改人脸图像都能精确地识别，同时该人脸识别也具有突出的泛化性能。
-
公开(公告)号：CN114724008A
公开(公告)日：2022-07-08
申请号：CN202210380766.1
申请日：2022-04-12
申请人： 中国人民解放军国防科技大学
IPC分类号： G06V10/774 , G06V10/80 , G06V10/764
摘要： 本发明公开了一种联合多尺度特征的深度伪造图像检测方法，具体来说，首先，基于反事实因果推理来扩充数据集，并生成反事实和事实样本，以防止模型受到伪相关特征的干扰，确保模型学习到无偏的特征表达。随后，构建了一个双流预测网络，该网络使用足够底层的和较高级的卷积特征来捕获不同类型的伪造痕迹。在每个流中利用基于特征金字塔的多尺度特征提取模块来丰富特征表示，每个流的末端分别设置了一个分类器。经多特征融合后，利用更深层的卷积模块，从之前学习到的组合特征中学习更高级的语义信息，然后使用分类器进行预测。最后，将设置在网络不同位置处的三个分类器的结果组合起来得到最终的预测结果。
-
-
-
-
-
-
-
-
-
搜索结果
17 条记录 (耗时 0.036 秒)
