先進的人臉合成和修改方法導致假臉越來越多，這極大影響了人們的社交使用。因此，人臉影象的檢測和修改區域定位是很重要的。這篇**使用多工學習來同時檢測被修改的影象和**被修改的區域，並利用注意力機制來處理和改進分類任務的特徵圖，提高了分類準確率。
人臉識別越來越多地應用於日常生活中，如訪問許可權控制和貨幣支付等。然而，這也導致了，如果人臉識別技術無法保證安全性，一些惡意的行為會給使用者造成很大損失。
如圖1所示，面部偽造攻擊主要有三種型別。
本**中主要針對第三類假臉合成或修改技術。
數字人臉操作方法分為四類:表情交換、身份交換、屬性操作和全臉合成(如圖2)。表情交換時更換一種表情，身份交換是將另乙個人的臉替換歸來。屬性操作修改了一張臉的單個或多個屬性，如性別、年齡、膚色、頭髮和眼鏡。
注意力圖中的每個畫素都會計算出它的接收域對應於原輸入影象中乙個被修改區域的概率。數字取證技術證明了：通過演算法處理來檢測這些高頻資訊中的異常的可行性。該**將注意力圖插入到主幹網路中，其中接受域對應於適當大小的原影象區域。然後，使用注意力圖之前的特徵編碼對應的高頻指紋patch，從而在區域性水平上區分真實區域和被操作區域。同時，還在注意力圖的構建和開發過程中，考慮了三個主要因素：可解釋性，有用性，模組化。
如圖3所示，基於注意的層可以應用於分類模型的任意特徵對映，將網路的注意力集中在識別區域上。其中，基於注意層的輸入為卷積特徵對映f∈rh×w×c，其中h、w、c分別為高度、寬度和通道數。為了簡單起見，忽略了c（較小）的影響。然後通過處理f可以生成乙個注意力圖matt=φ(f)∈rh×w,φ(·)表示處理操作。注意力模組的輸出為:
由於文章在伺服器上，全文內容詳見：
關於人臉檢測方法的比較
通過閱讀文獻總結了一下不同人臉檢測方法的優缺點。首先人臉檢測方法大致分為三類吧，1 基於特徵的人臉檢測 整體輪廓法 膚色檢測法 器官分布法 2 模板匹配法的人臉檢測 鑲嵌圖法 又稱馬賽克法 預定模板匹配法 變形模板法 3 基於adaboost 演算法的人臉檢測 基於膚色的人臉檢測演算法的優點是演算法...
人臉識別之人臉檢測
人臉識別分為人臉檢測 人臉預處理 蒐集和學習人臉以及人臉識別四個部分，此部分將人臉檢測。本文基於opencv進行的。在opencv中常用的人臉檢測器有基於lbp的特徵檢測 基於haar的特徵檢測，兩者的區別 前者比後者快好幾倍且不需要許可協議，但很多haar檢測器需要許可協議。基於haar的臉部檢測...
OpenCV人臉檢測 眼睛檢測之在人臉以外找眼睛
今天在學習opencv人臉檢測時，發現眼睛檢測是在人臉以外尋找眼睛的，源 如下 import cv2 def detect face cascade cv2.cascadeclassifier cascades haarcascade frontalface default.xml eye casc...