論文の概要: Frequency-aware Discriminative Feature Learning Supervised by
Single-Center Loss for Face Forgery Detection
- arxiv url: http://arxiv.org/abs/2103.09096v1
- Date: Tue, 16 Mar 2021 14:17:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-17 17:30:36.348097
- Title: Frequency-aware Discriminative Feature Learning Supervised by
Single-Center Loss for Face Forgery Detection
- Title(参考訳): 顔偽造検出のための単一中心損失教師付き周波数認識特徴学習
- Authors: Jiaming Li, Hongtao Xie, Jiahong Li, Zhongyuan Wang, Yongdong Zhang
- Abstract要約: 顔の偽造検出は、コンピュータビジョンへの関心をますます高めている。
近年の業績は良好なものとなっているが、いまだに無視できない問題がある。
本稿では,新しい周波数認識型特徴学習フレームワークを提案する。
- 参考スコア(独自算出の注目度): 89.43987367139724
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Face forgery detection is raising ever-increasing interest in computer vision
since facial manipulation technologies cause serious worries. Though recent
works have reached sound achievements, there are still unignorable problems: a)
learned features supervised by softmax loss are separable but not
discriminative enough, since softmax loss does not explicitly encourage
intra-class compactness and interclass separability; and b) fixed filter banks
and hand-crafted features are insufficient to capture forgery patterns of
frequency from diverse inputs. To compensate for such limitations, a novel
frequency-aware discriminative feature learning framework is proposed in this
paper. Specifically, we design a novel single-center loss (SCL) that only
compresses intra-class variations of natural faces while boosting inter-class
differences in the embedding space. In such a case, the network can learn more
discriminative features with less optimization difficulty. Besides, an adaptive
frequency feature generation module is developed to mine frequency clues in a
completely data-driven fashion. With the above two modules, the whole framework
can learn more discriminative features in an end-to-end manner. Extensive
experiments demonstrate the effectiveness and superiority of our framework on
three versions of the FF++ dataset.
- Abstract(参考訳): face forgery detectionは、顔操作技術が深刻な不安を引き起こすため、コンピュータビジョンへの関心がますます高まっている。
ソフトマックスの損失がクラス内コンパクト性とクラス間分離性を明示的に促進しないため, (a) ソフトマックスの損失によって監督される学習特徴は分離可能であるが, 識別が不十分である (b) 固定フィルタバンクと手作り特徴は多様な入力から周波数の偽造パターンを捉えるのに不十分である) 。
このような制約を補うために,新しい周波数認識型特徴学習フレームワークが提案されている。
具体的には, 組込み空間におけるクラス間差異を増大させながら, 自然顔のクラス内変動のみを圧縮する新しい単一中心損失(scl)を設計した。
このような場合、ネットワークは最適化の困難さを減らしてより差別的な特徴を学習することができる。
また、完全データ駆動方式の周波数手がかりをマイニングするために適応周波数特徴生成モジュールを開発した。
上記の2つのモジュールにより、フレームワーク全体がエンドツーエンドでより識別的な機能を学ぶことができる。
大規模な実験は、FF++データセットの3つのバージョンにおけるフレームワークの有効性と優位性を示している。
関連論文リスト
- Coarse-to-Fine Proposal Refinement Framework for Audio Temporal Forgery Detection and Localization [60.899082019130766]
本稿では、フレームレベル検出ネットワーク(FDN)と、音声の時間的偽造検出とローカライゼーションのための改良ネットワーク(PRN)を提案する。
FDNは、偽のフレーム間で情報的不整合の手がかりを抽出し、偽の領域を大まかに示すのに有用な識別的特徴を得る。
PRNは、FDNから派生した粗粒度の提案を洗練するために、信頼スコアと回帰オフセットを予測する責任がある。
論文 参考訳(メタデータ) (2024-07-23T15:07:52Z) - A novel spatial-frequency domain network for zero-shot incremental
learning [32.02542501871148]
ゼロショットインクリメンタル学習は、学習済みのクラスを忘れずに、モデルを新しいクラスに一般化できるようにすることを目的としている。
既存のアルゴリズムでは、各サンプル画像領域から重要な情報を取得できず、モデルの分類性能を損なう。
本稿では、空間周波数特徴抽出(SFFE)モジュールと注意特徴調整(AFA)モジュールを含む新しい空間周波数領域ネットワーク(SFDNet)を提案する。
論文 参考訳(メタデータ) (2024-02-11T14:24:49Z) - Learning Prompt-Enhanced Context Features for Weakly-Supervised Video
Anomaly Detection [37.99031842449251]
弱い監督下での映像異常検出は重大な課題を呈する。
本稿では,効率的なコンテキストモデリングとセマンティック識別性の向上に焦点をあてた,弱教師付き異常検出フレームワークを提案する。
提案手法は,特定の異常なサブクラスの検出精度を大幅に向上させ,その実用的価値と有効性を裏付けるものである。
論文 参考訳(メタデータ) (2023-06-26T06:45:16Z) - Spatial-Frequency Discriminability for Revealing Adversarial Perturbations [53.279716307171604]
敵の摂動に対するディープニューラルネットワークの脆弱性は、コンピュータビジョンコミュニティで広く認識されている。
現在のアルゴリズムは、通常、自然および敵対的なデータの識別的分解を通じて、敵のパターンを検出する。
空間周波数Krawtchouk分解に基づく識別検出器を提案する。
論文 参考訳(メタデータ) (2023-05-18T10:18:59Z) - Adaptive Frequency Learning in Two-branch Face Forgery Detection [66.91715092251258]
本稿では、AFDと呼ばれる2分岐検出フレームワークにおいて、周波数情報を適応的に学習する手法を提案する。
我々は、固定周波数変換からネットワークを解放し、データおよびタスク依存の変換層でより良いパフォーマンスを達成する。
論文 参考訳(メタデータ) (2022-03-27T14:25:52Z) - Generalizing Face Forgery Detection with High-frequency Features [63.33397573649408]
現在のCNNベースの検出器は、メソッド固有の色テクスチャに過度に適合するため、一般化に失敗する傾向にある。
フェースフォージェリ検出に高周波雑音を用いることを提案する。
1つは、複数のスケールで高周波ノイズを抽出するマルチスケールの高周波特徴抽出モジュールである。
2つ目は、低レベルRGB特徴抽出器を導く残差誘導空間注意モジュールで、新しい視点からフォージェリートレースにもっと集中する。
論文 参考訳(メタデータ) (2021-03-23T08:19:21Z) - Generative Adversarial Network using Perturbed-Convolutions [10.093662416275695]
本論文では,PConv(Perturbed-convolution)と呼ばれる新しい畳み込み層を提案する。
同時に2つの目標を達成することに焦点を当てており、GANを安定的に訓練するための差別者を罰し、差別者の過度な問題を防ぐ。
論文 参考訳(メタデータ) (2021-01-19T22:05:13Z) - Attribute-Guided Adversarial Training for Robustness to Natural
Perturbations [64.35805267250682]
本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。
我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
論文 参考訳(メタデータ) (2020-12-03T10:17:30Z) - Learning Class Unique Features in Fine-Grained Visual Classification [20.59233720331779]
情報理論の観点から,各カテゴリに特徴の独自性を付与することにより,CNNのトレーニングを規則化することを提案する。
提案した最小値損失を補うために,選択した各特徴マップ間の正規化内積に基づく特徴冗長損失(FRL)を提案する。
論文 参考訳(メタデータ) (2020-11-22T06:20:47Z) - Hybrid-Attention Guided Network with Multiple Resolution Features for
Person Re-Identification [30.285126447140254]
本稿では,ハイレベルな特徴を学習する際の情報損失を低減するために,ハイレベルな埋め込みと低レベルな埋め込みを融合した新しい人物再IDモデルを提案する。
また,対象物に関するより識別的な特徴を抽出することを目的とした,空間的およびチャネル的注意機構をモデルに導入する。
論文 参考訳(メタデータ) (2020-09-16T08:12:42Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。