溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
這期內容當中小編將會給大家帶來有關基于RNN網絡的Deepfake檢測是怎樣的，文章內容豐富且以專業的角度為大家分析和敘述，閱讀完這篇文章希望大家可以有所收獲。
今天給大家介紹的是一篇基于CNN+RNN結構的檢測Deepfakes框架
大部分檢測假臉工作是在圖片上進行的，而針對deepfake視頻往往有很少檢測方法。這個工作里我們提出了一種基于時間序列的處理方法，用于檢測Deepfake視頻。我們采用了CNN去提取幀級別的高維特征，并用這些高維特征訓練RNN。我們展示了通過一個簡單的架構也能在檢測任務上達到不俗的效果。
深度學習方法可用于圖片壓縮性能， 最常用的就是自編解碼器(AutoEncoder-Decoder)。自編碼器可以通過最小化損失函數，將圖片壓縮成一個高維特征，這比現有的壓縮方法都要來的高效
而編碼器則是將高維特征映射回圖片，如Figure2所示
使得Deepfakes生效，關鍵是將兩個潛在的人臉編碼到相同的特征上
我們通過共享一個自編碼器權重，而去分別訓練兩個自解碼器。
當我們去替換人臉的時候，先對輸入圖像編碼，再用目標人臉解碼器去解碼
但是自編解碼器在不同攝像角度，不同光照等復雜條件下，很難去生成人臉。種種條件變化導致人臉替換部分與背景在視覺上不一致，這種幀級別的場景不一致性將是我們方法利用的第一個特性
第二個特性來自于替換人臉需要用到人臉檢測器，而自編解碼器只關注人臉部分，很少去關注余下的背景信息，因此最后融合很容易出現邊界效應
第三個特性是自編解碼器是獨立于每一幀的，它并不考慮前后幀生成人臉圖片效果。最突出的是幀與幀之間光源的不一致性，導致假臉有閃爍現象，這種特征是很適合使用CNN來進行像素級別的檢測。
至此我們確定了基礎架構，由CNN提取幀特征，由LSTM進行時間序列上的分析，我們的網絡還包含2個全連接層加Dropout以防模型過擬合
我們使用預訓練后的InceptionV3網絡作為CNN結構，對輸入的圖片抽取出2048個特征。
抽取得到的2048特征，送入LSTM單元，接一個512單元的全連接層，0.5概率的Dropout，最后通過softmax計算概率，做最終的二分類
最終結果顯示增加幀序列，能提高一定的準確率，但是提升幅度不是很大
上述就是小編為大家分享的基于RNN網絡的Deepfake檢測是怎樣的了，如果剛好有類似的疑惑，不妨參照上述分析進行理解。如果想知道更多相關知識，歡迎關注億速云行業資訊頻道。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
