CN112163493A - 一种视频虚假人脸检测方法及电子装置 - Google Patents
一种视频虚假人脸检测方法及电子装置 Download PDFInfo
- Publication number
- CN112163493A CN112163493A CN202010995945.7A CN202010995945A CN112163493A CN 112163493 A CN112163493 A CN 112163493A CN 202010995945 A CN202010995945 A CN 202010995945A CN 112163493 A CN112163493 A CN 112163493A
- Authority
- CN
- China
- Prior art keywords
- video
- dimensional residual
- face
- neural network
- convolutional neural
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/40—Spoof detection, e.g. liveness detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种视频虚假人脸检测方法及电子装置,包括:对待检测视频进行人脸定位,得到人脸序列;对人脸序列进行预处理,得到指定大小和长度的视频采样帧序列;将视频采样帧序列输入训练好的三维残差学***均池化层及一输出层;所述三维残差学习模块包括分别连接三维残差学习模块输入的第一支路、第二支路和对两条第一支路与第二支路输出结果相加的运算层。本发明对视频特征进行残差学习,以解决网络过深时可能导致的模型退化问题,提升模型性能。
Description
技术领域
本发明属于互联网领域,尤其涉及一种视频虚假人脸检测方法及电子装置。
背景技术
近年来,在计算机视觉与多媒体安全等领域,借助深度学习技术的伪造***,随意操作修改图像、视频等媒体数据内容,替换人脸、篡改人脸属性的“深度伪造”(Deepfake)技术不断发展演化,对个人、社会与国家带来了极大的安全风险,进一步导致了数字领域的信任缺失。与此同时,与借助深度学习迅速发展演化的深度伪造技术相比,与其抗衡的伪造检测技术与研究相对而言并没有取得令人满意的结果,现有的检测手段在准确性与置信度等方面都不尽如人意,这一方面是由于攻防***中防御的天然滞后性,另一方面也反映出伪造检测研究领域面临的困难之大。
目前国内外对于虚假人脸视频的检测研究可以分为两类,第一类为基于生成图像视频的隐藏特征进行检测,第二类为基于神经网络提取特征进行检测。
基于生成图像视频的隐藏特征的检测主要是通过对已有的虚假人脸图像视频生成方式的缺陷或者特点进行“攻击”,例如针对某些生成虚假人脸图像视频的方法会在生成结果的人脸附近留有本不应该存在的“伪影”,训练特定网络对这些“伪影”进行检测,再比如针对某些生成方法生成的虚假人脸视频中人物眨眼频率与自然频率不符,基于长短时记忆网络对眨眼帧进行判定从而由眨眼频率来进行检测,以及近期公布的基于大部分虚假人脸替换方法中导致的生成人脸会存在“边界”这一隐藏特征进行检测的方法。这一类检测方法是基于目前已有的生成方法生成结果存在的缺陷与特点进行检测的,目前也已经可以达到90%以上的检测准确率,但是也存在可迁移性低以及应对未知生成方法效果未知等问题。
基于神经网络进行特征提取进行检测则是通用性更高的一类检测方法,按照提取特征的维度的不同,又可以将该类方法分为基于二维图像特征的检测方法与基于三维时序特征的检测方法,前者应用于虚假人脸视频检测时将视频检测问题降维为视频采样帧检测的问题。基于图像维度的二维特征提取检测方法主要通过各种不同结构的二维卷积神经网络(CNN)去训练图像二分类模型,对采样后的视频帧进行是否为虚假的分类,也有某些工作在此基础上引入了额外的模块,例如通过引入对抗学习这一过程来增加对特定伪造方式的判断准确率与鲁棒性;基于视频维度的时序特征提取检测方法则是利用提取时序特征相关的网络在视频数据集上直接训练分类器,然后利用训练完成的分类器对待检测视频进行检测,例如直接利用循环神经网络(RNN)与长短时记忆网络(LSTM)对整个输入视频进行三维时序特征提取进而训练分类器,相对于图像维度的检测研究,目前在视频这一维度进行的相关检测研究并不多,该领域的检测方法存在着更大的研究探索空间。这一类检测方法相比于基于隐藏特征的检测方法而言,具有更好的通用性与迁移性,目前的相关工作也能能达到90%甚至更高的检测准确率,但同样也存在着对训练数据敏感等问题。
上述现有技术的缺陷主要是:1.模型对视频的时序特征的利用不足;2.网络模型在网络层数过深时容易出现网络退化问题。
发明内容
为解决上述问题,本发明提供了一种视频虚假人脸检测方法及电子装置,基于三维残差学习卷积神经网络,解决在进行虚假人脸视频检测时对时序特征利用不足以及模型易出现网络退化的技术问题。
为达到上述目的,本发明的技术方案为:
一种视频虚假人脸检测方法,其步骤包括:
1)对待检测视频进行人脸定位,得到人脸序列;
2)对人脸序列进行预处理,得到指定大小和长度的视频采样帧序列;
3)将视频采样帧序列输入训练好的三维残差学习卷积神经网络,判断待检测视频中的人脸是否为虚假人脸;
其中,所述三维残差学***均池化层及一输出层;
所述三维残差学习模块包括分别连接三维残差学习模块输入的第一支路、第二支路和对两条第一支路与第二支路输出结果相加的运算层;
所述第一支路包括a*a*a卷积核的卷积层、b*b*b卷积核的卷积层和a*a*a卷积核的卷积核的卷积层;所述第二支路包括将第二支路的输入作为第二支路输出的直连支路,a、b为自定义参数。
进一步地,所述预处理包括:帧采样和剪裁。
进一步地,帧采样的方法包括等距采样方法。
进一步地,通过以下步骤得到训练好的三维残差学习卷积神经网络:
1)采集若干样本视频,并对各样本视频进行人脸定位,得到若干样本人脸序列;
2)对样本人脸序列进行预处理,得到若干指定大小和长度的样本视频采样帧序列;
3)将各样本视频采样帧序列迭代输入三维残差学习卷积神经网络,对三维残差学习卷积神经网络进行训练,得到训练好的三维残差学习卷积神经网络。
进一步地,样本视频采样帧序列包括指定长度的一组帧。
进一步地,通过交叉熵损失函数,对计算得到的损失值进行反向传播,更新三维残差学习卷积神经网络神经元权重,对三维残差学习卷积神经网络进行训练。
进一步地,训练三维残差学习卷积神经网络使用的优化器包括Adam优化器。
进一步地,卷积层与最大池化层使用的激活函数包括ReLU函数。
一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述所述的方法。
一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机以执行上述所述的方法。
与现有技术相比,本发明的积极效果为:
1.使用三维卷积神经网络处理虚假人脸视频检测问题,融合了视频的时空特征,进一步提升检测性能。
2.创新性地提出三维残差学习模块,对视频特征进行残差学习,以解决网络过深时可能导致的模型退化问题,进一步提升模型性能。
附图说明
图1为本发明的三维残差学习卷积神经网络进行虚假人脸视频检测的***框架。
图2为本发明的三维残差学习模块的结构示意图。
图3为本发明的三维残差学习卷积神经网络结构示意图。
图4为本发明的一个应用场景示例。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明的***流程框图如图1所示,本发明的方法支持所设计的三维残差学习卷积神经网络。
经验告诉我们,网络的层数对于性能有着至关重要的影响,更深层次的网络往往能够得到更好的性能,但是实验表明网络深度增加到一定程度时,可能会出现网络退化现象:即网络的准确率达到饱和状态,进一步加深时甚至有所下降。
针对以上现象,本发明构建了引入三维残差学习模块的三维卷积神经网络模型,通过在已有的深度三维卷积神经网络上引入设计的三维残差学习模块来解决网络退化的问题。如图2所示,该模块的输入分别经过两条支路:依次通过以1*1*1、3*3*3、1*1*1大小卷积核的卷积层,以及原始输入的直接输出。二者通过之后的“加法”操作得到该模块最终输出,其中的激活函数均为ReLU激活函数(出处:He K,Zhang X,Ren S,et al.Deep residuallearning for image recognition[M].[S.l.:s.n.],2016:770–778.)。其中前一条支路依次通过不同大小卷积核卷积层的目的在于对输入进行进一步的特征提取,而将原始的输入直接与前一步得到的特征进行“加法”操作并得到最终输出的目的则在于使网络最后输出的结果是期望输出与输入的“残差”,而不仅仅是由输入提取到的特征;希望通过学习残差来解决网络过深导致的退化问题,进一步提升网络性能;该模型的目标是输出待检测的人脸视频是否为伪造生成的检测结果,即也是解决一个视频二分类问题。
该三维残差学***均池化层,最后通过softmax输出层得到最终的检测结果概率。引入的三维残差学习模块、普通的特征提取卷积层与池化层的激活函数均为Relu函数。
该模型的优点体现在:通过引入融合时空特征的残差学习模块,既兼顾了视频的时空信息,又有效地解决了网络过深时的模型退化问题,进一步提升了模型的检测性能。
采用本发明的上述技术方案,实现了虚假人脸视频检测,解决了如下问题。第一,时序特征利用问题:在虚假人脸视频检测任务上,除去低维的图像特征外,运用视频的时序特征进行检测能够对模型性能起到一定提升作用;第二,网络层次过深时的退化问题:通过引入上述的三维残差学习模块,有效解决了网络过深时模型退化的问题。
本发明的技术方案以视频数据为基础,提出了基于三维残差学习卷积神经网络进行虚假人脸检测的方法与装置。根据本发明的三维残差学习卷积神经网络,本发明的一个实施例提供一种虚假人脸视频检测模型的训练方法,主要包括以下步骤:
1)对训练集和测试集中的视频进行人脸定位、帧采样和剪裁,得到指定大小和长度的视频采样帧序列作为模型输入。实验中剪裁结果为包括人脸在内的大小为80*80*3的图像帧,且序列长度设置为20和40帧两组,帧采样策略为等距采样。
2)初始化模型参数,包括设置初始学习率、epoch和batch size等。实验中学习率为1e-5,迭代轮数设置为100,batch size为8。
3)将第1步得到的训练集视频采样帧序列输入初始化完成的三维残差学习卷积神经网络中进行迭代训练,模型所使用的优化器为Adam优化器,初始学习率为1e-5,权值衰减为1e-6,损失函数使用交叉熵损失函数,在迭代训练中计算该损失值并利用该损失值进行反向传播更新网络神经元权重以得到最优的网络。
4)网络训练完成后,即可将第1步得到的测试集中的视频采样帧序列输入网络中,获取检测的结果。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
下面结合图4对本发明在具体场景中的利用进行描述。
当今,各类社交媒体网站上虚假人脸视频上传事件层出不穷,急需深度学习的手段进行有效的甄别与检测。本发明在社交媒体网站视频上传检测上的实际应用如图4所示,将上述训练完成后的检测器置于社交媒体网站的上传文件检验后端,用户上传某段人物视频到社交网站后,网站将该视频传输到相应的检验后端作为上述模型的输入,并获取模型的检测结果,通过该结果来作为用户上传的该段视频文件是否通过审核的判据:若检测未出现异常,则通过审核,用户的视频可以正常上传至社交网站;若检测为伪造人脸视频,则无法通过审核并对用户行为进行记录。
本发明的以上技术方案中,未详细描述的部分可以采用现有技术实现。
本发明在虚假人脸视频检测任务上有十分令人印象深刻的表现,在DFDC数据集上(Deepfake Detection Challenge)训练得到的模型能高达到92.65%的准确率,并且在DFDC比赛中模型得分值高达0.421,世界排名前10%。
Claims (10)
1.一种视频虚假人脸检测方法,其步骤包括:
1)对待检测视频进行人脸定位,得到人脸序列;
2)对人脸序列进行预处理,得到指定大小和长度的视频采样帧序列;
3)将视频采样帧序列输入训练好的三维残差学习卷积神经网络,判断待检测视频中的人脸是否为虚假人脸;
其中,所述三维残差学***均池化层及一输出层;
所述三维残差学习模块包括分别连接三维残差学习模块输入的第一支路、第二支路和对两条第一支路与第二支路输出结果相加的运算层;
所述第一支路包括a*a*a卷积核的卷积层、b*b*b卷积核的卷积层和a*a*a卷积核的卷积核的卷积层;所述第二支路包括将第二支路的输入作为第二支路输出的直连支路,a、b为自定义参数。
2.如权利要求1所述的方法,其特征在于,所述预处理包括:帧采样和剪裁。
3.如权利要求1所述的方法,其特征在于,帧采样的方法包括等距采样方法。
4.如权利要求1所述的方法,其特征在于,通过以下步骤得到训练好的三维残差学习卷积神经网络:
1)采集若干样本视频,并对各样本视频进行人脸定位,得到若干样本人脸序列;
2)对样本人脸序列进行预处理,得到若干指定大小和长度的样本视频采样帧序列;
3)将各样本视频采样帧序列迭代输入三维残差学习卷积神经网络,对三维残差学习卷积神经网络进行训练,得到训练好的三维残差学习卷积神经网络。
5.如权利要求4所述的方法,其特征在于,样本视频采样帧序列包括指定长度的一组帧。
6.如权利要求4所述的方法,其特征在于,通过交叉熵损失函数,对计算得到的损失值进行反向传播,更新三维残差学习卷积神经网络神经元权重,对三维残差学习卷积神经网络进行训练。
7.如权利要求4所述的方法,其特征在于,训练三维残差学习卷积神经网络使用的优化器包括Adam优化器。
8.如权利要求1所述的方法,其特征在于,卷积层与最大池化层使用的激活函数包括ReLU函数。
9.一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行权利要求1-8中任一所述方法。
10.一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行如权利要求1-8中任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010995945.7A CN112163493A (zh) | 2020-09-21 | 2020-09-21 | 一种视频虚假人脸检测方法及电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010995945.7A CN112163493A (zh) | 2020-09-21 | 2020-09-21 | 一种视频虚假人脸检测方法及电子装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112163493A true CN112163493A (zh) | 2021-01-01 |
Family
ID=73864279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010995945.7A Pending CN112163493A (zh) | 2020-09-21 | 2020-09-21 | 一种视频虚假人脸检测方法及电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112163493A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784755A (zh) * | 2021-01-25 | 2021-05-11 | 瑞芯微电子股份有限公司 | 一种轻型的人脸跟踪方法和存储设备 |
CN113723196A (zh) * | 2021-08-02 | 2021-11-30 | 中国科学院信息工程研究所 | 基于预测学习的视频虚假人脸检测方法及装置 |
CN113989713A (zh) * | 2021-10-28 | 2022-01-28 | 杭州中科睿鉴科技有限公司 | 基于视频帧序预测的深度伪造检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107247949A (zh) * | 2017-08-02 | 2017-10-13 | 北京智慧眼科技股份有限公司 | 基于深度学习的人脸识别方法、装置和电子设备 |
CN108288271A (zh) * | 2018-02-06 | 2018-07-17 | 上海交通大学 | 基于三维残差网络的图像检测***及方法 |
CN109376704A (zh) * | 2018-11-30 | 2019-02-22 | 高新兴科技集团股份有限公司 | 一种人脸活体检测方法 |
CN109583342A (zh) * | 2018-11-21 | 2019-04-05 | 重庆邮电大学 | 基于迁移学习的人脸活体检测方法 |
CN110909693A (zh) * | 2019-11-27 | 2020-03-24 | 深圳市华付信息技术有限公司 | 3d人脸活体检测方法、装置、计算机设备及存储介质 |
CN110991366A (zh) * | 2019-12-09 | 2020-04-10 | 武汉科技大学 | 一种基于三维残差网络的航运监控事件识别方法及*** |
CN111382677A (zh) * | 2020-02-25 | 2020-07-07 | 华南理工大学 | 基于3d注意力残差模型的人体行为识别方法及*** |
CN111444881A (zh) * | 2020-04-13 | 2020-07-24 | 中国人民解放军国防科技大学 | 伪造人脸视频检测方法和装置 |
-
2020
- 2020-09-21 CN CN202010995945.7A patent/CN112163493A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107247949A (zh) * | 2017-08-02 | 2017-10-13 | 北京智慧眼科技股份有限公司 | 基于深度学习的人脸识别方法、装置和电子设备 |
CN108288271A (zh) * | 2018-02-06 | 2018-07-17 | 上海交通大学 | 基于三维残差网络的图像检测***及方法 |
CN109583342A (zh) * | 2018-11-21 | 2019-04-05 | 重庆邮电大学 | 基于迁移学习的人脸活体检测方法 |
CN109376704A (zh) * | 2018-11-30 | 2019-02-22 | 高新兴科技集团股份有限公司 | 一种人脸活体检测方法 |
CN110909693A (zh) * | 2019-11-27 | 2020-03-24 | 深圳市华付信息技术有限公司 | 3d人脸活体检测方法、装置、计算机设备及存储介质 |
CN110991366A (zh) * | 2019-12-09 | 2020-04-10 | 武汉科技大学 | 一种基于三维残差网络的航运监控事件识别方法及*** |
CN111382677A (zh) * | 2020-02-25 | 2020-07-07 | 华南理工大学 | 基于3d注意力残差模型的人体行为识别方法及*** |
CN111444881A (zh) * | 2020-04-13 | 2020-07-24 | 中国人民解放军国防科技大学 | 伪造人脸视频检测方法和装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784755A (zh) * | 2021-01-25 | 2021-05-11 | 瑞芯微电子股份有限公司 | 一种轻型的人脸跟踪方法和存储设备 |
CN113723196A (zh) * | 2021-08-02 | 2021-11-30 | 中国科学院信息工程研究所 | 基于预测学习的视频虚假人脸检测方法及装置 |
CN113723196B (zh) * | 2021-08-02 | 2024-05-28 | 中国科学院信息工程研究所 | 基于预测学习的视频虚假人脸检测方法及装置 |
CN113989713A (zh) * | 2021-10-28 | 2022-01-28 | 杭州中科睿鉴科技有限公司 | 基于视频帧序预测的深度伪造检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112398779B (zh) | 一种网络流量数据分析方法及*** | |
Nguyen et al. | Automatic image filtering on social networks using deep learning and perceptual hashing during crises | |
CN112163488B (zh) | 一种视频虚假人脸检测方法及电子装置 | |
CN112163493A (zh) | 一种视频虚假人脸检测方法及电子装置 | |
CN110309304A (zh) | 一种文本分类方法、装置、设备及存储介质 | |
CN110351244A (zh) | 一种基于多卷积神经网络融合的网络入侵检测方法及*** | |
CN109005145A (zh) | 一种基于自动特征抽取的恶意url检测***及其方法 | |
CN111738054B (zh) | 一种基于时空自编码器网络和时空cnn的行为异常检测方法 | |
CN106295501A (zh) | 基于唇部运动的深度学习身份识别方法 | |
CN108282460B (zh) | 一种面向网络安全事件的证据链生成方法及装置 | |
CN111241338B (zh) | 一种基于注意力机制的深度特征融合视频拷贝检测方法 | |
CN114422211B (zh) | 基于图注意力网络的http恶意流量检测方法及装置 | |
CN113628059A (zh) | 一种基于多层图注意力网络的关联用户识别方法及装置 | |
CN111177469A (zh) | 人脸检索方法及人脸检索装置 | |
CN114330966A (zh) | 一种风险预测方法、装置、设备以及可读存储介质 | |
Li et al. | PhishBox: An approach for phishing validation and detection | |
CN104915399A (zh) | 基于新闻标题的推荐数据处理方法及*** | |
Yuan et al. | A novel approach for malicious URL detection based on the joint model | |
CN110958244A (zh) | 一种基于深度学习的仿冒域名检测方法及装置 | |
CN112163494A (zh) | 一种视频虚假人脸检测方法及电子装置 | |
CN114422271A (zh) | 数据处理方法、装置、设备及可读存储介质 | |
CN111159588B (zh) | 一种基于url成像技术的恶意url检测方法 | |
CN116723005A (zh) | 多态隐藏下的恶意代码隐式情报追踪方法及*** | |
Gong et al. | AGRAMPLIFIER: Defending federated learning against poisoning attacks through local update amplification | |
EP4020886B1 (en) | System and method for detecting suspicious websites in proxy's data streams |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |