基于域对抗学习的可泛化虚假人脸检测方法研究

翁泽佳; 陈静静; 姜育刚

doi:10.7544/issn1000-1239.2021.20200803

基于域对抗学习的可泛化虚假人脸检测方法研究

(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)

基金项目: 国家自然科学基金项目(62032006)

详细信息

中图分类号: TP391
计量
- 文章访问数: 0481
- HTML全文浏览量: 0
- PDF下载量: 0301
出版历程
- 发布日期: 2021-06-30

On the Generalization of Face Forgery Detection with Domain Adversarial Learning

(School of Computer Science, Fudan University, Shanghai 201203) (Shanghai Key Laboratory of Intelligent Information Processing (School of Computer Science, Fudan University), Shanghai 200433)

Funds: This work was supported by the National Natural Science Foundation of China (62032006).

摘要

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.
- 虚假人脸检测 /
- 域自适应 /
- 域对抗学习 /
- 鲁棒特征学习 /
- 泛化性
Abstract: With the rapid development of generative adversarial networks (GAN), breakthrough progress has been made in fake face generation. In order to reduce the harmful effects of fake face generation technology to society, fake face identification has become a very important topic, which has attracted numerous research efforts. Although impressive progress has been made in fake face identification, there are still many problems to be solved. Among them, how to improve the generalization ability of the fake face detection model is a crucial issue, and it is also the key to deploy fake face detection techniques in real-world scenarios. This paper studies the fake face identification problem, aiming to improve the generalization ability of the fake face identification model. Motivated by the idea of unsupervised domain adaptation, this paper introduces the domain adversarial branch to weaken the extraction of non-robust features of specific generative models by the feature extractor, so that the model can extract features with stronger robustness and higher generalization ability, improving the identification performance on the fake face images generated by unknown GANs. Experimental results show that the method proposed in this paper can effectively improve the generalization ability of the identification model, and significantly improve the performance of the fake face identification model on the fake images generated by the unknown generation model.
- face forgery detection /
- domain adaptation /
- domain adversarial learning /
- robust feature learning /
- generalization

HTML全文

参考文献(0)

施引文献(27)

期刊类型引用(14)

1.	暴琳，朱志宇，孙晓燕，徐标. 面向多源异构数据的个性化搜索和推荐算法综述. 控制理论与应用. 2024(02): 189-209 . 百度学术
2.	王一博，张鹏翼. 基于LDA模型的国内用户画像研究主题及演化分析. 情报探索. 2024(02): 99-105 . 百度学术
3.	韩永印，王侠，王志晓. 基于决策树的社交网络隐式用户行为数据挖掘方法. 沈阳工业大学学报. 2024(03): 312-317 . 百度学术
4.	黄玲，黄镇伟，黄梓源，关灿荣，高月芳，王昌栋. 图卷积宽度跨域推荐系统. 计算机研究与发展. 2024(07): 1713-1729 . 本站查看
5.	廖彬，张陶，于炯，李敏. NLGAE:一种基于改进网络结构及损失函数的图自编码器节点分类模型. 计算机科学. 2024(10): 234-246 . 百度学术
6.	刘树越，于亚新，吴晓露，夏子芳，王子腾 . 自注意力下时空-语义相融合的POI序列推荐. 小型微型计算机系统. 2023(03): 456-462 . 百度学术
7.	章育涛，黎英，杨雅莉. 社交网站图像分析研究综述. 信息技术与信息化. 2023(08): 114-121 . 百度学术
8.	秦鹏，贾洪杰，霍兴瀛，邓朝艳. 融合大数据挖掘的用户个性化POI推荐方法. 计算机仿真. 2022(06): 355-358+385 . 百度学术
9.	郑捷，杨兴耀，于炯，李想. 基于人工蜂群的移动终端大数据半监督推荐. 计算机仿真. 2022(07): 497-501 . 百度学术
10.	李梁森，杨德宏，翟文龙，李刘飞，高励. 基于微博数据的云南省地理情感及主题特征研究. 城市勘测. 2022(04): 12-16 . 百度学术
11.	赵凯华，徐建民，鲍彩倩. 一个基于信念网络的微博推荐模型. 河北大学学报(自然科学版). 2022(04): 438-448 . 百度学术
12.	王小青，苏锋，蔡传根. 基于数据挖掘技术的影视智能推荐算法. 现代电子技术. 2021(11): 98-101 . 百度学术
13.	周炫余，刘林，陈圆圆，洪嘉玲，卢笑. 基于多模态数据融合的大学生心理健康自动评估模型设计与应用研究. 电化教育研究. 2021(08): 72-78 . 百度学术
14.	刘凯阳，姜峰，王辉. 航天话题公众关注热点和情感分析. 科技传播. 2021(19): 31-34 . 百度学术