基于微表情识别的学生课堂专注度分析系统研究
这是一篇关于专注度,人脸检测,微表情识别,教学评价的论文, 主要内容为在课堂教学中,教师关注每个学生的情绪变化和学习状态来调节教学有效提升教学质量。然而,目前的课堂存在教师精力不足、教学反馈延迟等问题,在一定程度上,影响教学质量的提升,阻碍学生的发展。近年来,随着信息技术的迅猛发展和广泛应用,图像处理、人工智能等新技术为提升教学质量方面的研究带来了新的思路和方法。本论文旨在通过采用基于深度学习的自动人脸检测、定位和微表情识别技术,研究学生课堂状态的划分、评价及专注度分析,并设计与开发了基于微表情识别的学生课堂专注度分析系统,对教学过程中的学生专注度自动跟踪、监控、分析以及课堂评价,主要研究内容如下:(1)将三维学习状态空间与情绪维度论相结合,通过分析学生在愉快维的表情状态,结合唤醒和效价的强度,实现一种有效的课堂状态划分方法,并基于行为理论、发展性教师教学评价理论、多元智能理论,设计一种多维度的课堂状态评价体系,实现课堂专注度的划分,并对其合理性进行了验证。(2)通过使用多任务训练的不同模板的CNN模型,从尺度不变、图像分辨率和相关上下文信息三个方面完成自动人脸检测和定位,并采用基于面部表情识别的综合深度学习框架FATAUVA-Net,通过动作单元、效价和唤醒空间实现课堂微表情识别。(3)基于Python+TensorFlow技术,采用CS架构的Web服务端和基于Java的spring-boot框架,结合Mysql作为数据存储服务,设计开发了基于微表情识别的学生课堂专注度分析Web可视化系统。该系统可将学生专注情况以个性化和可视化的形式呈现出来,便于教师进行分析和管理学生。(4)采用中科院CASME微表情库SectionA部分对微表情识别模块的准确率进行验证。同时,将课堂视频作为输入,验证系统在整节课全部学生专注度和时间段全部学生专注度两方面的评价效果,并与优秀教师的评分进行对比。
基于微表情识别的学生课堂专注度分析系统研究
这是一篇关于专注度,人脸检测,微表情识别,教学评价的论文, 主要内容为在课堂教学中,教师关注每个学生的情绪变化和学习状态来调节教学有效提升教学质量。然而,目前的课堂存在教师精力不足、教学反馈延迟等问题,在一定程度上,影响教学质量的提升,阻碍学生的发展。近年来,随着信息技术的迅猛发展和广泛应用,图像处理、人工智能等新技术为提升教学质量方面的研究带来了新的思路和方法。本论文旨在通过采用基于深度学习的自动人脸检测、定位和微表情识别技术,研究学生课堂状态的划分、评价及专注度分析,并设计与开发了基于微表情识别的学生课堂专注度分析系统,对教学过程中的学生专注度自动跟踪、监控、分析以及课堂评价,主要研究内容如下:(1)将三维学习状态空间与情绪维度论相结合,通过分析学生在愉快维的表情状态,结合唤醒和效价的强度,实现一种有效的课堂状态划分方法,并基于行为理论、发展性教师教学评价理论、多元智能理论,设计一种多维度的课堂状态评价体系,实现课堂专注度的划分,并对其合理性进行了验证。(2)通过使用多任务训练的不同模板的CNN模型,从尺度不变、图像分辨率和相关上下文信息三个方面完成自动人脸检测和定位,并采用基于面部表情识别的综合深度学习框架FATAUVA-Net,通过动作单元、效价和唤醒空间实现课堂微表情识别。(3)基于Python+TensorFlow技术,采用CS架构的Web服务端和基于Java的spring-boot框架,结合Mysql作为数据存储服务,设计开发了基于微表情识别的学生课堂专注度分析Web可视化系统。该系统可将学生专注情况以个性化和可视化的形式呈现出来,便于教师进行分析和管理学生。(4)采用中科院CASME微表情库SectionA部分对微表情识别模块的准确率进行验证。同时,将课堂视频作为输入,验证系统在整节课全部学生专注度和时间段全部学生专注度两方面的评价效果,并与优秀教师的评分进行对比。
基于ZYNQ的软体救援机器人人脸检测定位系统研究
这是一篇关于软硬件协同设计,软体救援机器人,ZYNQ,人脸检测,双目测距的论文, 主要内容为地震等自然灾害的频发对人类的生命安全构成严重威胁,在易坍塌、结构不稳定的灾后废墟环境,传统的救援设备通常因体积大、检测时间长,无法及时救援被困人员。体积小、实时性强的检测定位救援设备在易坍塌废墟救援过程中起到至关重要的作用。FPGA(Field Programmable Gate Array,现场可编程逻辑门阵列)因其流水线的工作模式、并行运算的处理方式,可以极大程度加速系统处理过程,减小系统处理时间,具有极高的研究价值。随着嵌入式芯片的不断发展,本文采用一颗FPGA+ARM(Advanced RISC Machines,ARM处理器)架构的嵌入式芯片,研究与设计实现一套软体救援机器人人脸检测定位系统,实现实时检测脆弱易塌陷的废墟环境中的人脸信息,测量人脸位置的空间距离。本文结合实际应用环境设计要求,设计整体人脸检测测距系统总体方案。选取Xilinx公司Zynq7000系列芯片作为开发平台,采用软硬件协同设计方法,利用Verilog HDL硬件描述语言编写系统硬件部分的主要功能模块。使用C开发语言编写系统软件部分实现双目摄像头采集通道、图像处理通道与图像显示通道的控制。在PL(Programmable Logic,FPGA可编程逻辑)端设计并实现人脸检测系统。采用提取肤色特征的人脸检测算法,选取双目OV5640摄像头实时采集图像,建立肤色模型,对采集的图像数据进行肤色分割,完成基于肤色特征的人脸信息提取。使用形态学滤波算法,运用先腐蚀再膨胀的开运算去除图像中的孤立噪点。筛选人脸范围,框选确定的人脸区域,实现整体基于肤色的人脸检测系统。应用以IP为核心的设计理念,将编写的各模块封装为相应的IP,并对各功能模块完成仿真验证。使用验证通过的IP搭建人脸检测系统硬件工程。在PS(Processing System,ARM双核处理器)端设计并实现双目测距系统。提取人脸区域中心点坐标,通过双目三角测距公式测量实际物体与摄像头之间的深度距离。分析测量结果,实验表明系统在目标距离较近时,测量精度较高,1m距离内测量相对误差在5%以内。本文最后模拟救援实验,验证人脸检测定位系统的可行性。引用一款软体救援机器人并制造实验样机,采用气压驱动方式,通过控制气腔内气体含量实现软体救援机器人的软体导向结构的弯曲。人脸检测定位系统在搭建的模拟废墟环境中实时地发现人脸信息。同时,实验表明在遮挡人眼等面部器官时,检测效果并未产生较大影响,证明本文所设计的基于FPGA的人脸检测定位系统的实时性与可行性。
基于人脸识别的考勤系统的设计与实现
这是一篇关于人脸检测,感受野,人脸识别,协调注意力机制,考勤系统的论文, 主要内容为近年来,基于人的面部特征的人脸识别技术在计算机视觉领域备受关注,逐渐成为人们研究的热点问题。与传统的人工点名考勤或身份卡考勤方式相比,基于人脸识别的考勤方式具有耗时短、准确率高的优点。本文针对教室场景设计了一个基于人脸识别的考勤系统,主要研究工作包括以下几个方面:1)为了提高考勤场景下MTCNN人脸检测算法的速度和精度,本文提出了一个基于感受野增强的MTCNN人脸检测算法。首先,为MTCNN算法的R-Net和O-Net网络增加感受野模块,以提高模型对特征的可分辨性和小目标的鲁棒性。其次,采用批量标准化和全局平均池化两种方法,提高网络的收敛速度以及避免网络过拟合。最后,调整了网络任务权重,去除了P-Net和R-Net网络的人脸关键点定位任务,减少了模型的训练时间。本文将改进后的人脸检测算法在FDDB数据集上进行测试,实验结果表明,相较于原始算法,改进的MTCNN算法不仅具有更快的识别速度,而且具有更高的识别精度。2)为了提高考勤场景下人脸识别算法的精度,本文结合Mobile Face Net人脸识别算法与协调注意力机制,提出了一个轻量级的CA-Mobile Face Net人脸识别算法。该算法通过使用协调注意力机制增强网络对图像通道信息和位置信息的关注度,并采用更适用于复杂的现实场景的Elastic Face Loss代替Arc Face Loss进行训练。通过在多个人脸识别评估数据集上进行实验,证明了本文提出的CA-Mobile Face Net人脸识别算法具备更好的识别性能。3)基于前述改进的人脸检测算法和人脸识别算法,本文设计并实现了一个应用于课堂场景的人脸识别考勤系统。该系统采用Flask框架实现前后端数据交互,采用Bootstrap框架实现前端页面的设计,并利用My SQL数据库管理数据。该系统实现了用户信息管理、课程管理、人脸图像上传、人脸识别考勤和考勤信息管理等功能。该系统的界面简洁易用,性能优异,显著提高了课堂考勤效率,节省了教师和学生的上课时间。
基于边缘计算的驾驶员疲劳检测
这是一篇关于嵌入式,边缘计算,深度学习,人脸检测,表情识别,疲劳驾驶的论文, 主要内容为疲劳驾驶是导致交通事故发生的重要原因之一,因疲劳驾驶导致的交通事故发生率在不断增加,及时预警驾驶员的疲劳状态有着重要的现实意义。论文对驾驶员疲劳状态检测的相关算法进行了研究,并基于嵌入式平台,设计了一款用于提醒驾驶人员及时休息的疲劳驾驶检测系统。首先,根据系统的总体需求确定了系统的工作流程,设计了系统的总体架构,在此基础上完成了系统的软硬件设计,硬件以嵌入式开发板IMX6ULL为核心,配置OV5640摄像头和ATK-7084显示屏等模块,完成了Linux操作系统内核的裁剪和移植,编写了相关模块的驱动程序,基于QT/Embedded完成了应用程序的设计。其次,对基于面部特征的驾驶员疲劳状态检测算法进行了研究,针对当今主流算法MTCNN在人脸特征点检测方面存在的效率低等缺点进行了改进,采用了分级任务,融入了空洞卷积、空间可分离卷积、分组卷积、平均池化和改进的XCeption模块,设计了轻量化卷积神经网络Stretch-Net用于人脸特征点检测,减少了数据冗余,加快了运算过程中的收敛速度,增强了网络的稀疏运算能力,从而提高了计算效率。另外还构建了一种基于多特征的SVM分类模型,根据多帧的分类结果判断疲劳状态,用于解决原有的疲劳判别方式过于单一的问题。将训练好的网络部署到边缘计算设备上,用于驾驶员疲劳状态检测。最后,对系统的各模块进行了测试,包括特征点检测和疲劳状态识别。实验结果表明,本课题设计的系统满足用户的前期需求,并且具有良好的安全性、稳定性和可靠性,同时该系统具有较高的检测精度和实用价值,可在驾驶领域得到广泛应用。
基于人脸检测的智慧小区安防系统的研究与开发
这是一篇关于智慧小区,口罩不规范佩戴识别,Spring Boot,PyramidBox,人脸检测的论文, 主要内容为随着深度学习领域的发展,人脸检测算法在众多行业得到广泛运用。再加上我国经济持续发展和全民生活质量的明显改善,居民对于现代化的智能型小区的需要也越来越强烈。在这样的社会条件下,对智慧小区防控系统进行探究和研发很有必要。本文通过调研,分析了智慧小区安防系统的具体需求,并考虑到当前小区的疫情防控工作,结合人脸检测算法对口罩不规范佩戴识别模型进行研究。以此为基础,设计并实现了一个基于人脸检测的智慧小区安防系统。本文的主要工作如下:第一,针对当前小区疫情防控工作,提出了口罩不规范佩戴识别模型,模型由人脸(佩戴口罩)检测器Pyramid Box-MCCATT和YCr Cb椭圆肤色模型两部分组成。前者在Pyramid Box的基础上进行改进,首先对图像质量不高问题采取的是Clahe图像预处理方法,其次提出基于多通道上下文的注意力机制(Multi-Channel-Context-Attention MCCATT),改善了Pyramid Box中的上下文敏感预测模块,提高了人脸(佩戴口罩)检测准确率。后者将人脸图像转化为皮肤灰度图,以此为基础分析嘴、鼻暴露状况,进而判断是否规范佩戴口罩。实验结果表明,人脸(佩戴口罩)检测的AP达到92.35%,口罩不规范佩戴的识别率达到89%。第二,设计了基于Spring Boot框架、Vue.js架构的智慧小区安防系统方案。首先完成系统需求概要分析,进而明确详细需求。其次从架构设计、数据库设计等多方面进行系统设计。系统主要功能包括:1)人脸查询、人脸比对,在小区门禁点建立一道安全屏障;2)人员、车辆信息管理,使用户高效、便捷地对小区进行管理;3)口罩不规范佩戴识别,在小区范围内对人员不规范佩戴口罩的行为进行检测。
基于注意力机制的口罩遮挡人脸检测与识别方法研究
这是一篇关于深度学习,人脸检测,人脸识别,注意力网络,眼周特征的论文, 主要内容为人脸识别由于其具有便捷性,速度快,非接触性,不易仿冒等优点,已经被广泛地应用于人们的生活中。近年来,人脸识别技术又得益于深度学习的快速发展,人脸识别的精度也进一步得到提升。然而,由于2019年的新型冠状病毒肺炎在全球范围内蔓延,戴口罩已经成为日常出行中必要的防护措施,而面对这种特定的戴口罩或有遮挡的人脸,人脸识别的效果往往不够理想。本文围绕人脸识别展开研究,提出了基于Tina Face改进的人脸检测算法和基于眼周特征注意力机制的人脸识别方法。本文具体研究工作如下:1、提出了基于TinaFace改进的人脸检测算法。引入Squeeze-and-Excitation模块改进其骨干网络和Inception模块,使其可以学习更多有用的通道特征;引入路径聚合网络,提高了人脸检测算法在多个尺度上的定位能力;提出Att-Head模块来使得每一层次的网络注意力集中在对应网络应注意的尺寸上。最后,通过实验与最近的人脸检测算法进行对比,验证改进后的人脸检测算法具有更好的性能,并将改进后的人脸检测算法用于后续的人脸识别任务中。2、采用人脸关键点检测LAB算法对现有的人脸识别公开数据集进行眼周关键点的定位,并对其标签进行增强,从而构造成新的包含眼周关键点位置信息的人脸识别数据集,并将新数据集作为后续人脸识别模型的训练集。3、提出了基于眼周特征注意力机制的人脸识别模型。该模型包含眼周关键点定位的辅助分支和人脸识别主干分支。在眼周关键点定位分支,通过Res Net-50的前三个卷积模块进行特征提取,随后在该分支中添加转置卷积模块,利用smoothL1损失函数监督得到眼周关键点热图。在人脸识别主干分支,利用得到的眼周关键点热图生成关键点注意力,将其融合到该分支的提取的特征中,并在Arc Face Loss的监督下实现人脸特征的提取。通过眼周关键点定位分支,让人脸识别算法更关注眼周的特征,从而增强其在戴口罩场景下的准确率。同时在模型训练时,采用对训练集进行模拟戴口罩增强的策略,进一步提高其性能。最后,通过实验验证所提出的人脸识别的方法在无遮挡和有遮挡的场景下,都具有良好的鲁棒性。4、基于改进的人脸检测算法和人脸识别算法设计并实现了一个面向戴口罩场景的人脸识别系统,并对系统进行了相应的测试。
基于HR和Siamese Net的人脸检测与跟踪研究
这是一篇关于人-机器人交互,人脸检测,人脸跟踪,HR,VGG16,Siamese-Net的论文, 主要内容为人与机器人自然交互在现实应用中具有重要的研究价值,而人脸是人机交互过程中最具个性特征的部位,人脸检测和跟踪是人与机器人交互中的关键技术,在实际应用场景中由于光线强弱、遮挡、旋转、尺度变化等因素使人脸的检测和跟踪带来挑战,本研究主要针对非限定条件下人脸检测和跟踪的多种算法进行对比研究并改进,使改进后的算法更适应不同条件的人脸检测和跟踪任务。首先,本课题就国内外人脸检测和跟踪算法研究现状进行调研,然后,就目前取得先进水平的基于深度学习的人脸检测算法进行对比实验,混合分辨率(hybrid-resolution,HR)算法着重针对人脸多尺度问题,创建一个图像金字塔分别训练不同检测器,提高了小人脸的检测精确度。由于在深度模型中,数据集对视觉任务的性能有很大的影响,本课题将原来的模型训练数据量加大约16倍,发现我们的新模型用更少的训练轮数下,用于检测后人脸跟踪精度提升约2%。由于深度学习的方法在人脸识别、检测等任务中运用较多而且取得了领先水平,而在跟踪领域基于深度学习方法的研究较少,本课题着重对比分析了传统目标跟踪算法和基于深度学习的方法优缺点,提出一种基于深度学习的人脸跟踪算法。由于目前还没有公开标注的用于人脸跟踪任务的大量数据集,本研究中将用于人脸验证的大量有监督数据集Youtube Faces用于人脸跟踪任务模型的训练,同时手工标注了不同背景下的人脸跟踪测试集,实验结果表明使用与视觉任务相关的数据集对跟踪的性能有较大提升。此外,原Siamese-Net算法在目标特征提取阶段采用AlexNet卷积层,而该卷积神经网络的卷积核较大,在分类检测任务的研究中已有成果证明VGG16网络相对于AlexNet更有利于视觉任务的性能提升,本研究通过实验对比分析采用VGG16模型的不同卷积层数对人脸跟踪性能的影响,实验结果表明采用VGG16卷积层作为人脸跟踪任务特征提取器能提高人脸跟踪的性能同时采用2层卷积层性能最佳。同时本研究通过多次实验选取了相对较优参数。最后,由于原Siamese-Net算法只能进行单人脸跟踪,本课题针对实际应用对多人脸跟踪的需求,结合改进HR算法和改进Siamese-Net算法实现了多人脸自动检测和跟踪系统,在多人脸测试集上取得鲁棒效果。
How to Detect Deepfake Videos
这是一篇关于深度假检测,人脸检测,人脸裁剪,机器学习,训练模型的论文, 主要内容为今天,利用Deepfake技术进行基于脸部的更改的发展已经允许用某人的照片替换一张照片。因此,不仅可以进行版本调整,还可以使用人工智能和深度学习来替换从一个参与者到下一个参与者的面部动作。样品可以从静态照片创建。因此,活的有机体和漫画可以以生动的方式描绘。由于最近的数字化,很难分辨真假新闻。有说服力的deepfakes可以迅速触及成千上万的个人,似乎由于社交网站的范围和速度而产生有害后果。虽然在检测领域的科学调查很少,但本文调查了 90多个免费发布的在线内容项目和研究论文,以确定deepfakes的确切检测,深度假创新的优势和危害,假账户的深假货越来越有效,尽管特别是在某些情况下,它们是无法辨别的。在人工智能、模式识别和深入学习方面的加速进步已经产生了改变视频的新方法。然而,检测技术主要用于可敬的原因,包括医疗和娱乐原因,恶意的个人也因非法或邪恶的原因利用它。检测deepfake视频的策略包括循环卷积神经网络,长期卷积网络,胶囊网络分析,自动编码器和GAN。处理Deepfake带来的检测方法和问题的多种方法现已在研究中详细介绍。深度学习技术为各种开发任务带来了高精度。遗传算法的发展导致了令人惊讶的详细错误信息的产生,被认为是保密,治理以及全球防御的风险。利用多种深入学习技术,许多当代的假帐户算法被认为是一个布尔分类困难分离合法视觉与伪造版本。这些方法通过测量更大变异性网络产生的视错觉,行为差异和颜色差异来实现传感器的工作。然而,这些策略需要大量的合法和恶意信息用于特征学习,并且它们在采用现代算法方法的变化原因下的效率在样本间评估中受到显着影响。基于深度学习的电影,这是使用人工智能创建的,已经获得了很大的兴趣。面部改变可以通过使用Deepfake软件与质量有关来完成。到目前为止,大量的deepfake电影已经在这个万维网上传播,其中大部分将针对名人和领导者。这些录音经常被用来损害个人的声誉和影响选民,对全球和谐造成伤害。尽管deepfake技术既没有有益的也没有有害的特性,但由于不好的原因,它经常被使用。已经进行了一些研究,以避免某些事情对人类文明构成危险,例如开发工具和制定全球标准。已经在这个万维网上传播,其中大部分将针对名人和领导者。这些录音经常被用来损害个人的声誉和影响选民,对全球和谐造成伤害。尽管deepfake技术既没有有益的也没有有害的特性,但由于不好的原因,它经常被使用。已经进行了一些研究,以避免某些事情对人类文明构成危险,例如开发工具和制定全球标准。本文将展示算法视频检测研究的现状,包括生产系统,各种识别方法,包括可用的标准。已经发现,目前的诊断方法不足以用于现实世界的场景,因此未来的研究应该集中在泛化和恢复力上。随着假帐户软件的实施,改变脸部电影的主题在过去几年中越来越受欢迎,假帐户软件更加强调教学媒体改变照片和电影。利用算法网络,Deepfake技术可以将目标影片中的特征替换为视频文件中的特征。头部电影很容易用这个软件制作,尽可能方便地获得大量的证据。作为国家信任虚假账户的有效工具,相关研究的数量也是如此。在过去几年中,新传感技术的开发取得了巨大进展。对于初学者来说,deepfake识别的电影数据管理的数量正在增加。可用于学习的信息量已经增加,包括早期阶段的微小数据集到大规模数据集。此外,一些研究机构已经越来越意识到虚假账户电影的风险,并试图刺激这方面的研究。Google,Twitter以及Windows合作组织了算法识别任务,该任务旨在开发用于检测deepfake电影的创新产品。由于这些因素,许多成功的识别算法已经被设计出来,并且在假冒识别挑战中显示出惊人的结果。虽然已经取得了重大进展,但当前deepfake方法仍然存在许多关键缺陷。Deepfake技术的发展使创建的视频变得越来越逼真。在这种情况下,传统方法不太可能识别由数字deepfake技术创建的修改电影。评估和估计deepfake相关研究的持续改进以及增强调查技术确实至关重要。我们将在本研究中强调这一现有的deepfake视频识别系统,以鼓励虚假数据信息检索的增长为目标。利用各种优化功能以及deepfake创建和检测技术,我们广泛评估了深刻的生物识别技术在识别虚假账户方面的有效性。根据Celeb-DF和FaceForensics++deepfake集合的实验,深度人脸对齐在检测算法方面优于多个CNNs和光学感觉。在Celeb-DF数据库中,给出的结果表明曲线下的最佳区域表示为AUC,而Eer表示利用生物认证识别假账户的错误率相等。这样的EER小于在celeb-DF样本上计算的EER,例如多重CNN以及视觉输入。使用FaceForensics++样本计算AUC和EER。现有的卷积神经网络deepfake活动和任务,包括ResNet,MesoInception-Net和XceptionNet,主要集中在识别由于扭曲的面部区域和局部环境中的纹理和颜色不一致而在图像混合时形成的视错觉。该研究引入了 faceX-ray,这是一种识别欺诈的通用方法,它使用多重分类算法学习最后阶段,利用分类成本以及处理faceX-ray来识别捏造图片的混合限制。在deepfake识别中,我们的策略超越了当前大多数卷积网络。在实验中,采用人脸特征的图像增强作为识别信号来识别被操纵的视频内容。这项工作的目标是看到如何有效的深度人脸识别,用不同的加权率编程,将在检测由各种方法产生的deepfakes。这项研究将向我们表明,deepfake创建策略可以通过生物识别来识别,以及应用的最佳降解率。这项研究的好处是不需要对虚构的图片进行模拟。然而,在deepfake识别中,生理匹配需要识别标签。看看人脸检测在检测通过不同方式创建的虚假帐户方面的有效性。在deepfake识别过程中,使用了一个深刻的面部识别框架,该框架利用不同的算法对大量图像分类样本的刺激作出响应。为了可视化人脸识别软件在识别虚假账户方面的表现,研究人员使用可理解的人工智能预测分布式随机邻居编码。使用CelebDF和FaceForensics++数据库使用几种不同的deepfake调查技术广泛测试了面部表情切换,面部变换器,认知风格以及收集过程。以下是该论文结构的细分:它回顾了检测deepfakes的策略。信息包括在内,以及研究技术。数据进行了分析,以及评论。Deepfakes使用深度卷积系统自动开发和生产录制的镜头。Deepfake技术是一个有争议的话题,有几个社会影响,包括投票篡改。开发检测算法以减轻deepfakes可能的破坏性影响受到了很多关注。一种方法是使用机器学习以及模式识别。在本研究中,我们将deepfake传感方法视为用于手动检查deepfake薄膜的多类分类的独特方法。我们使用FaceForensics++的规划和测试示例,其中包括利用不同的deepfake方法构建的四个数据源。研究结果表明,几乎所有样本都具有较高的精度,其精度因所使用的假账户算法而异。我们建立了一个可以识别虚假电影的选举制度。
本文内容包括但不限于文字、数据、图表及超链接等)均来源于该信息及资料的相关主题。发布者:代码货栈 ,原文地址:https://m.bishedaima.com/lunwen/45346.html