論文の概要: Towards Intrinsic Common Discriminative Features Learning for Face Forgery Detection using Adversarial Learning

• arxiv url: http://arxiv.org/abs/2207.03776v1
• Date: Fri, 8 Jul 2022 09:23:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-11 14:08:28.103359
• Title: Towards Intrinsic Common Discriminative Features Learning for Face Forgery Detection using Adversarial Learning
• Title（参考訳）: 対向学習を用いた顔偽造検出のための固有の共通識別特徴学習に向けて
• Authors: Wanyi Zhuang, Qi Chu, Haojie Yuan, Changtao Miao, Bin Liu, Nenghai Yu
• Abstract要約: 本稿では, 対人学習を利用して, 異なる偽造法と顔の同一性による負の効果を除去する手法を提案する。 我々の顔偽造検出モデルは、偽造法や顔の同一性の影響を排除し、共通の識別的特徴を抽出することを学ぶ。
• 参考スコア（独自算出の注目度）: 59.548960057358435
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Existing face forgery detection methods usually treat face forgery detection as a binary classification problem and adopt deep convolution neural networks to learn discriminative features. The ideal discriminative features should be only related to the real/fake labels of facial images. However, we observe that the features learned by vanilla classification networks are correlated to unnecessary properties, such as forgery methods and facial identities. Such phenomenon would limit forgery detection performance especially for the generalization ability. Motivated by this, we propose a novel method which utilizes adversarial learning to eliminate the negative effect of different forgery methods and facial identities, which helps classification network to learn intrinsic common discriminative features for face forgery detection. To leverage data lacking ground truth label of facial identities, we design a special identity discriminator based on similarity information derived from off-the-shelf face recognition model. With the help of adversarial learning, our face forgery detection model learns to extract common discriminative features through eliminating the effect of forgery methods and facial identities. Extensive experiments demonstrate the effectiveness of the proposed method under both intra-dataset and cross-dataset evaluation settings.
• Abstract（参考訳）: 既存の顔偽造検出法は通常、顔偽造検出を二項分類問題として扱い、深層畳み込みニューラルネットワークを用いて識別的特徴を学習する。 理想的な識別機能は、顔画像のリアル/フェイクラベルにのみ関連付けるべきである。 しかし,バニラ分類ネットワークによって得られた特徴は,偽造法や顔識別法などの不要な特性と相関している。 このような現象は、特に一般化能力において偽造検出性能を制限する。 そこで本研究では, 対人学習を利用して, 顔の偽造法や顔の同一性に対する否定的な効果を排除し, 顔の偽造検出に内在する識別的特徴を学習する手法を提案する。 顔認識モデルから得られた類似性情報に基づいて、顔の身元を識別する特殊な識別器を設計する。 敵対的学習の助けを借りて, 顔偽造検出モデルは, 偽造方法と顔識別の効果を排除し, 一般的な識別特徴を抽出することを学ぶ。 広範な実験により,提案手法の有効性が,データセット内評価とデータセット間評価の両方において実証された。

関連論文リスト

• Learning Expressive And Generalizable Motion Features For Face Forgery Detection [52.54404879581527]
  本稿では,既存のビデオ分類手法に基づく,シーケンスに基づく効果的な偽造検出フレームワークを提案する。 動作特徴をより表現しやすくするために,別の動作整合ブロックを提案する。 一般的なビデオ分類ネットワークを3つの顔偽造データに対して有望な結果を達成する。
  論文  参考訳（メタデータ） (2024-03-08T09:25:48Z)
• Exploring Decision-based Black-box Attacks on Face Forgery Detection [53.181920529225906]
  顔の偽造生成技術は鮮明な顔を生み出し、セキュリティとプライバシーに対する世間の懸念を高めている。 顔偽造検出は偽の顔の識別に成功しているが、最近の研究では顔偽造検出は敵の例に対して非常に脆弱であることが示されている。
  論文  参考訳（メタデータ） (2023-10-18T14:49:54Z)
• COMICS: End-to-end Bi-grained Contrastive Learning for Multi-face Forgery Detection [56.7599217711363]
  顔偽造認識法は一度に1つの顔しか処理できない。 ほとんどの顔偽造認識法は一度に1つの顔しか処理できない。 マルチフェイスフォージェリ検出のためのエンドツーエンドフレームワークであるCOMICSを提案する。
  論文  参考訳（メタデータ） (2023-08-03T03:37:13Z)
• CoReFace: Sample-Guided Contrastive Regularization for Deep Face Recognition [3.1677775852317085]
  特徴表現学習に画像レベルの正規化を適用するために,CoReFace(Contrastive Regularization for Face Recognition)を提案する。 具体的には、サンプル誘導型コントラスト学習を用いて、画像と画像の関係を直接調整する。 コントラスト学習を顔認識に統合するため,画像の画質劣化を回避するために,画像の代わりに埋め込みを拡大する。
  論文  参考訳（メタデータ） (2023-04-23T14:33:24Z)
• CIAO! A Contrastive Adaptation Mechanism for Non-Universal Facial Expression Recognition [80.07590100872548]
  本稿では、顔エンコーダの最後の層に異なるデータセットの特定の感情特性を適応させるメカニズムであるContrastive Inhibitory Adaptati On(CIAO)を提案する。 CIAOは、非常にユニークな感情表現を持つ6つの異なるデータセットに対して、表情認識性能が改善されている。
  論文  参考訳（メタデータ） (2022-08-10T15:46:05Z)
• Dual Contrastive Learning for General Face Forgery Detection [64.41970626226221]
  本稿では,正と負のペアデータを構成するDCL (Dual Contrastive Learning) という新しい顔偽造検出フレームワークを提案する。 本研究は, 事例内コントラスト学習(Intra-ICL)において, 偽造顔における局所的内容の不整合に焦点をあてる。
  論文  参考訳（メタデータ） (2021-12-27T05:44:40Z)
• Heterogeneous Visible-Thermal and Visible-Infrared Face Recognition using Unit-Class Loss and Cross-Modality Discriminator [0.43748379918040853]
  本稿では,クロスモーダル顔認識のためのエンドツーエンドフレームワークを提案する。 モダリティ情報を捨てつつアイデンティティ情報を保存するために,新しい単位クラス損失を提案する。 提案したネットワークは、モダリティ非依存のベクトル表現を抽出したり、テスト画像のマッチングペア分類に利用できる。
  論文  参考訳（メタデータ） (2021-11-29T06:14:00Z)
• Modeling Discriminative Representations for Out-of-Domain Detection with Supervised Contrastive Learning [16.77134235390429]
  OOD検出の主な課題は、識別的セマンティックな特徴を学習することである。 クラス内分散を最小限に抑えるための教師付きコントラスト学習目標を提案する。 我々は,サンプルの擬似多様なビューを得るために,対角的拡張機構を用いる。
  論文  参考訳（メタデータ） (2021-05-29T12:54:22Z)
• SensitiveLoss: Improving Accuracy and Fairness of Face Representations with Discrimination-Aware Deep Learning [17.088716485755917]
  偏見認識アルゴリズムの精度と公平性を改善するための識別認識学習法を提案する。 実験により、最もよく使われている顔データベースに基づく学習プロセスが、アルゴリズムによる識別の強い、一般的な訓練済みの深層顔モデルに繋がったことを示す。 提案手法は,事前学習ネットワークへのアドオンとして機能し,平均精度と公平性の観点から性能向上に有効である。
  論文  参考訳（メタデータ） (2020-04-22T10:32:16Z)

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。