检索结果-南通市图书馆

计算机与现代化 2024年第4期 38-42页

作者：肖梦思吴建斌涂雅蒙袁林锋华中师范大学物理科学与技术学院湖北武汉430079 中船重工武汉船舶通信研究所湖北武汉430079

为鉴别社交网络中人脸图像的真假,在ConvNeXt基础上提出一种针对生成式对抗网络(Generative Adversarial Networks,GAN)生成人脸图像的鉴别方法。该方法以ConvNeXt网络结构为主体,利用人脸图像的颜色特征和空间纹理特征,采用多颜色空间... 详细信息

为鉴别社交网络中人脸图像的真假,在ConvNeXt基础上提出一种针对生成式对抗网络(Generative Adversarial Networks,GAN)生成人脸图像的鉴别方法。该方法以ConvNeXt网络结构为主体,利用人脸图像的颜色特征和空间纹理特征,采用多颜色空间多通道组合输入(Multichannel Input,MCI),扩大网络的学习范围;同时引入通道注意力机制和空间注意力机制来凸显真假人脸图像在颜色分量和纹理特征上的差异,进而实现生成人脸图像和真实人脸图像的检测与识别。实验结果表明,使用改进后的ConvNeXt(Improved ConvNeXt,I-ConvNeXt)网络结构对GAN生成人脸图像的识别准确率达到了99.405%,与原ConvNeXt算法相比,平均准确率提高了1.455个百分点。该结果验证了所提方案的可行性、合理性。

关键词：生成式对抗网络注意力机制颜色特征生成人脸多通道输入

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

注意力融合双流特征的局部GAN生成人脸检测算法

引用

东南大学学报（自然科学版） 2023年第3期53卷 543-551页

作者：陈北京王鹏喻乐延舒华忠南京信息工程大学计算机学院南京210044 南京信息工程大学雷丁学院南京210044 东南大学影像科学与技术实验室南京210096

为解决现有局部生成式对抗网络(GAN)生成人脸检测算法在检测经过后处理的图像时性能严重下降的问题,提出一种注意力融合双流特征的局部GAN生成人脸检测算法.该算法利用双流网络分别从RGB颜色空间和YCbCr颜色空间中提取鲁棒特征,并引入... 详细信息

为解决现有局部生成式对抗网络(GAN)生成人脸检测算法在检测经过后处理的图像时性能严重下降的问题,提出一种注意力融合双流特征的局部GAN生成人脸检测算法.该算法利用双流网络分别从RGB颜色空间和YCbCr颜色空间中提取鲁棒特征,并引入注意力特征融合模块在不同网络层上融合双流特征以获得更鲁棒的特征.同时采用多层次特征融合决策提高网络对局部生成区域特征的提取和辨别能力.实验结果表明,所提算法的鲁棒性优于现有算法,尤其是针对JPEG压缩和双边滤波后处理.在FFHQ+规则子集上与次优算法相比,该算法在3种强度的JPEG压缩和双边滤波上的平均准确率分别提高了1.88%和2.64%;在FFHQ+不规则子集上与次优算法相比,该算法在3种强度的JPEG压缩和双边滤波上的平均准确率分别提高了2.85%和1.60%.

关键词：生成式对抗网络(GAN) 生成人脸 Xception网络特征融合注意力机制

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于四元数的强泛化性GAN生成人脸检测算法

引用

计算机辅助设计与图形学学报 2022年第5期34卷 734-742页

作者：陈北京李天牧王金伟赵国英南京信息工程大学数字取证教育部工程研究中心南京210044 南京信息工程大学计算机学院、软件学院、网络空间安全学院南京210044 南京信息工程大学江苏省大气环境与装备技术协同创新中心南京210044 Center for Machine Vision and Signal Analysis University of Oulu Oulu FI-90014

基于生成式对抗网络(generative adversarial network,GAN)模型生成的逼真人脸图像给司法、刑侦、名誉保护等带来了挑战.因此,基于四元数提出一种具有强泛化性的GAN生成人脸检测算法,其由GAN噪声指纹提取模块与分类模块组成.GAN噪声指... 详细信息

基于生成式对抗网络(generative adversarial network,GAN)模型生成的逼真人脸图像给司法、刑侦、名誉保护等带来了挑战.因此,基于四元数提出一种具有强泛化性的GAN生成人脸检测算法,其由GAN噪声指纹提取模块与分类模块组成.GAN噪声指纹提取模块采用孪生四元数U-Net提取噪声指纹特征;分类模块基于提取的噪声指纹特征采用四元数ResNet区分真实人脸和生成人脸;使用基于距离的逻辑回归损失函数和交叉熵损失函数对参数进行寻优.采用公开的自然人脸数据集CelebA进行实验,基于其利用多种GAN模型得到不同生成人脸数据集.4组消融实验验证了该算法在4个方面的改进的有效性.一种GAN生成人脸数据训练多种GAN测试的结果以及鲁棒性实验结果表明,所提算法比对比算法具有更强的泛化性以及较好的抵抗JPEG攻击的鲁棒性.

关键词：生成式对抗网络生成人脸四元数离散傅里叶变换 ResNet

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

局部生成人脸检测及定位算法研究

局部生成人脸检测及定位算法研究

引用

作者：鞠兴旺南京信息工程大学

学位级别：硕士

随着深度学习的广泛应用,通过变脸、换脸或生成对抗网络(Generative Adversarial Network,GAN)等方式生成的虚假人脸在网络中不断传播。因此,研究有效的人脸取证技术变得尤为重要。针对生成人脸检测,当前其研究主要关注整幅人脸图像均... 详细信息

随着深度学习的广泛应用,通过变脸、换脸或生成对抗网络(Generative Adversarial Network,GAN)等方式生成的虚假人脸在网络中不断传播。因此,研究有效的人脸取证技术变得尤为重要。针对生成人脸检测,当前其研究主要关注整幅人脸图像均为生成的。但在一些现实场景中,一幅生成人脸图像中只是小部分局部区域是生成的,甚至很小部分,其余绝大部分区域都是自然的,例如人脸图像复原、眼镜去除、掩模去除等。由于生成区域可能非常小,因此在经过具有多个池化层的深度卷积网络中可能会缩小到一个点,甚至在特征图上完全没有。从而可能导致全局生成人脸检测方法在局部生成人脸检测上性能很差。针对局部生成人脸检测和定位,据我们所知,目前还没有公开的局部生成人脸数据集。针对局部生成人脸检测,Xception作为一种在全局生成人脸检测中使用广泛的模型,具有不错的性能,但其不完全适用于局部生成人脸的检测。针对局部生成人脸定位研究,RRU-Net是最新提出的具有良好性能的针对非人脸图像普通篡改方式的定位模型,但其在应用于有攻击的局部生成人脸定位时,其鲁棒性仍需进一步提高。因此,本文将围绕局部生成人脸的检测及定位开展以下三方面研究工作:(1)为了开展局部生成人脸的研究工作,本文在FFHQ真实人脸数据库70000张人脸图像的基础上,利用Matlab创建了具有不同大小和形状的二进制掩模图并与原始人脸图像进行拼接得到含有缺失区域的人脸图像,然后通过已公开的多元图像修复方法深度修复缺失区域,构造了首个基于GAN的局部生成人脸数据集LGGF。该数据集共有840000张图像。(2)提出了一种改进Xception的检测模型:(a)删除了四个残差块,调整了参数,加入了注意力机制;(b)含有空洞卷积的Inception模块被用于获得多尺度特征;(c)利用特征金字塔网络(Feature Pyramid Networks,FPN)获取多层次特征。实验结果表明提出的改进Xception模型在检测精度、鲁棒性和泛化性方面总体优于现有模型,尤其针对具有较小生成区域的人脸图像。(3)提出了一种融合RRU-Net和去噪操作模块的局部生成人脸鲁棒定位模型。为了提高模型的鲁棒性,首先,引入去噪操作模块以抵抗深层网络中产生的噪声扰动,增强模型对局部生成区域特征的学习;然后,提出局部生成损失函数(LGloss),并结合样本平衡损失函数(Focal loss),有效增强网络在训练过程中对局部生成区域的关注。最后,通过一系列消融和对比实验验证了提出模型相对于RRU-Net的改进以及其他现有模型的优越性。

关键词：生成人脸深度修复 Xception 生成人脸检测 GAN

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：