混合深度功能集成模型用于使用转移学习神经网络进行强大的深度假冒检测.

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 数字法医学数字法医学

背景情况:

• 深度假冒技术的扩散需要先进的数字安全方法和媒体真实性验证.
• 目前的深度假冒检测方法,通常依赖于深度学习,面临着计算成本,资源密度和数据集偏差的挑战,限制了现实世界的适用性.

研究的目的:

• 开发一种轻量级的,耐人工制品的深度假冒检测框架,能够分析空间模式和时间不一致性.
• 提出一种混合方法,克服现有的深度假冒检测技术的局限性.

主要方法:

• 开发了DAAL-NET,这是一个混合深度假冒检测模型,采用双流架构.
• 嵌入了具有可学习频率注意力的局部法医编码器,用于高频操纵分析.
• 使用了一种运动不规则编码器,具有深度时间卷积和封闭的反复单位来检测运动间隙.
• 通过交叉注意实现了多流交互模块,用于通过交叉注意实现时空融合.
• 引入了人工制品信心校准层,以提高可靠性.

主要成果:

• DAAL-NET模型在提高宏F1得分和减少基准数据集 (Celeb-DFv2, Kaggle) 的校准错误方面表现出卓越的表现.
• 与现有的基线模型相比,实现了更好的时间稳定性.
• 在有限的计算资源下展示了竞争性结果.

结论:

• DAAL-NET为深度假冒内容检测提供了有效和高效的解决方案.
• 该模型的轻量级和强大的性质使其适用于现实世界的法医应用,媒体身份验证,低功耗设备和可扩展的选管道.