【E+CC ViT】Combining EfficientNet and Vision Transformers for Video Deepfake Detection

最新推荐文章于 2026-06-20 21:38:09 发布
原创 最新推荐文章于 2026-06-20 21:38:09 发布 · 169 阅读 · 0
标签
#transformer #深度学习 #人工智能

文章目录

Combining EfficientNet and Vision Transformers for Video Deepfake Detection

会议/期刊：ICIAP 2022
作者：
在这里插入图片描述
code：https://tinyurl.com/cnn-vit-dfd.

key points

将各种类型的视觉变压器与卷积effentnet B0结合起来作为特征提取器

提出了一个基于简单投票方案的直接推理程序，用于处理同一视频镜头中的多个面孔。

使用最先进的人脸检测器MTCNN预提取人脸[39]。

我们提出了两种混合卷积变压器架构，它们将预先提取的人脸作为输入，并输出人脸被操纵的概率。本文提出的两个体系结构以一种监督的方式进行训练，以区分真实的和真实的伪造案例。通过将检测任务框架化为二值分类问题来解决检测任务。

提出了高效ViT和卷积交叉ViT

了解本专栏 订阅专栏 解锁全文 超级会员免费看
【论文笔记】Combining EfficientNet and Vision Transformers for Video Deepfake Detection
m0_61628700的博客
10-15 1318
Combining EfficientNet and Vision Transformers for Video Deepfake Detection 题目：结合高效网络和视觉变压器进行视频深度虚假检测（结合）
深度学习周报（6.8~6.14）
m0_57788739的博客
06-14 285
本周主要在上周的基础上对基线模型进行了训练，同时对预处理部分进行了完善。下周努力一把把剩下的主体都搞了，同时对比一下两个模型的效果，同时训练的时候为了固定结果可以加一个随机种子。
吴恩达《深度学习》之看懂Adam 优化算法
m0_74435839的博客
06-15 239
Adam优化算法是深度学习中广泛使用的优化器，它结合了动量梯度下降和RMSprop的优点，通过自适应调整学习率来提高训练效率。文章从物理角度形象解析了Adam的核心机制：动量项（一阶矩）减少参数更新的震荡，而梯度平方项（二阶矩）根据地形陡峭程度自动调节步长（陡峭时减速，平缓时加速）。PyTorch中只需简单调用optim.Adam即可实现这一复杂过程。尽管Adam通用性强，但某些场景（如CV任务）仍可能使用SGD-Momentum以获得更精确的解。全文通过“小球下山”的比喻，生动揭示了数学公式背后的动态调节
学习长短期记忆网络lstm
qq_52122048的博客
06-17 310
Ct可能是-2到2之间，所以后面再来一个tanh缩小范围-1到1之间。
Python全栈项目--基于深度学习的自动驾驶模拟系统
exlink2012的专栏
06-17 599
本文介绍了一个基于深度学习的自动驾驶模拟系统全栈项目，包含以下核心内容： 系统架构：采用前后端分离设计，Python+FastAPI处理后端逻辑和深度学习模拟，Vue3构建前端交互界面。 功能模块： 用户认证（JWT+bcrypt加密） 场景配置（道路类型/天气/交通密度） 自动驾驶模拟（车道线识别/障碍物检测/碰撞风险评估） 数据看板展示 技术特点： 轻量级SQLite数据库存储 完整的认证流程实现 可扩展的深度学习模拟框架 响应式前端界面 学习价值：项目提供了完整的开发流程和可运行源码，适合作为深度学习
基于深度学习的目标跟踪综述（A review of object tracking based on deep learningq）
2301_78173237的博客
06-17 297
随着深度学习技术的快速发展，目标跟踪算法的发展也随之兴起。鉴于目标、骨干网络和应用方法的多样性，本研究旨在综合整合现有的目标跟踪方法。我们提出了一种基于应用场景和主要方法的系统分类方案，伴随着对每个类别的透彻分析和简明摘要。这种方法提供了更广泛的跟踪技术覆盖面，便于新手研究人员更快地理解该领域。此外，我们提出了标准化的评估指标和广泛使用的数据集，包括在相同的基准上对选定算法进行跨方法性能比较，以增强读者对上下文的理解。最后，我们对当前的局限性、实用建议和前瞻性观点进行了批判性评估，以指导未来的研究方向。
深度学习联邦学习与隐私保护机器学习 —— 数据不动模型动（七十六）
hello.reader
06-13 290
机制MMM满足ϵ\epsilonϵ-差分隐私，若对相邻数据集DD′D, D'DD′PMD∈SPMD′∈S≤eϵPMD′∈SPMD∈S​≤eϵ→ 一条记录的有无，对输出概率影响很小。
基于深度学习的药用草本植物识别系统
2303_76970643的博客
06-13 596
本文介绍了一个基于深度学习的药用植物识别系统，使用ResNet50模型和迁移学习技术，实现对98类药用植物的高精度自动识别。系统Top-1准确率达95.07%，Top-5准确率达99.26%。项目采用PyTorch框架，结合RandAugment、MixUp、CutMix等数据增强技术，以及AdamW优化器和余弦退火学习率调度策略。数据集包含10,813张图像，通过分层抽样划分为训练集(70%)、验证集(15%)和测试集(15%)。系统提供Grad-CAM热力图可视化模型决策依据，并生成详细的评估指标和可视
深度学习时候d2l报错和使用问题
qq_52122048的博客
06-16 231
解决AttributeError: module ‘d2l.torch‘ has no attribute ‘load_data_time_machine‘_attributeerror: module 'torch' has no attribute 'l-CSDN博客。【d2l包】关于李沐《动手学深度学习》中的attributeerror: module ‘d2l.torch‘ has no attribute ‘train_ch3‘问题_d2l.train_ch3报错-爱代码爱编程。
当电化铝分切机遇上深度学习：精度与效率的双重跃升
delishcomcn的博客
06-17 350
当深度学习遇见电化铝分切机，一场从“被动抵抗”到“主动感知”，从“替代人手”到“认知决策”的技术跃升正在发生。
Segearth-R2-03
xiaokui6的博客
06-15 421
下面进入。dataset.py。
FPGA CNN 网络结构完整知识点总结
nskksms的博客
06-16 567
这篇文章系统介绍了CNN网络的基础结构和原理，主要内容包括： 网络结构分析 完整前向传播流程：输入→卷积→ReLU→池化→全连接→ReLU→全连接→Softmax 特征提取模块（卷积+ReLU+池化）和分类模块（全连接层）的功能分工 各层详解 输入层的数据格式要求 卷积层的三大优势：局部感受野、权值共享、平移不变性 ReLU激活函数的作用和优势 池化层的下采样功能 全连接层和Softmax输出层的作用 MNIST实例应用 详细参数配置和计算过程 完整推理流程示例 配套练习题 包含选择题、简答题、计算题和代码
学习RNN(简洁实现)
qq_52122048的博客
06-14 229
这里意思是 在循环卷积网络中当前神经元的输出只与xt-1以及ht-1有关，然后计算损失的时候，是将ot与xt进行比较，因为模型的下一个输出就是序列的下一个不是n元语法，因为这里的因变量ht实际上包含了前面任意长序列的信息，不只是几元。吴恩达老师那里课件的公式是：h_t = f(W_hh * h_t-1 + W_hx * x_t + b_h) (强推他的讲解)这里的t不要理解成下标，理解成时间，结合应用你要根据前面一个字（t-1），预测下一个字（t），下标不是重点，标的不同解释不同而已。
Intelligent Tomato Ripeness Detection System Based on YOLOv8 Deep Learning
ZSW1218的博客
06-17 463
Abstract: With the rapid development of smart agriculture, intelligent detection of crop maturity has become an important research direction in precision agriculture. This paper designs and implements an intelligent tomato ripeness detection system based o
【深度学习新浪潮】AI研发周报（2026年第25周·6月14日—20日）
最新发布
专注：太空算力、AI infra、异构调度、大模型成本工程
06-20 36
政府 × AI：第一次真正的正面碰撞（Claude Fable 5）巨头 × 联合：最不可能的战略联姻（Apple × Google）市场 × 竞争：ChatGPT首次失去半壁江山物理 × AI：数据中心走向太空工具 → 员工：AI Coding Agent全面入驻开发工作流这是一个所有既有规则都在被重写的时代。技术能力不再是唯一护城河；治理规则、安全设计、监管合规，正在成为和算法一样重要的竞争要素。发布于2026年6月20日 · 每周末定期更新 · 专注AI研发视角。
Agent实习 - 低资源下 SFT 的解决方案
weixin_57128596的博客
06-17 375
本文以当前项目的 Qwen3-VL-2B 猫咪场景结构化 JSON SFT 为例，说明在单卡 RTX 4080 16GB 等低资源环境下，如何通过 LoRA、batch、梯度累积、序列长度、图像分辨率和数据加载参数来稳定训练，同时尽量提高 GPU 利用率。
基于CNN深度学习算实现手写字母识别系统python源码+训练好的模型+说明文档
FL1623863129的博客
06-14 197
基于深度学习的模型，用户可在画布上绘制，由训练好的 CNN 模型进行预测识别。✔ 用户可在交互式画布上✔ 使用进行，提升识别效果✔ 基于**训练好的卷积神经网络（CNN）**进行预测✔ 模型在上训练以下为模型的训练准确率与损失曲线图：![外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传](https://img-home.csdnimg.cn/images/20230724024159.png?
Xiaothink-T17-Tiny 模型深度解析：轻量级RNN架构的创新与实战评测
weixin_65502565的博客
06-13 194
Xiaothink-T17-Tiny 是一款创新的轻量级中文语言模型，采用GRU3+历史检索架构，参数量仅0.15B（96.9M）。核心创新包括历史感知序列建模、固定张量历史缓存、平方ReLU前馈网络等，在保持RNN线性复杂度的同时增强长距离依赖建模能力。测试显示其性能优于同规模Transformer（测试损失4.895 vs 5.424），峰值显存降低23%（5936MB vs 7726MB）。模型特别适合移动端/嵌入式部署，内置TinySkill工具箱提供8种即用型文本处理功能。需通过xiaothink
基于 YOLOv8 + CRNN 的车牌识别系统
Michael_Jay的博客
06-15 292
本项目基于 YOLOv8 + CRNN+CTC 双模型流水线实现车牌检测与字符识别，提供完整的训练流程与可视化桌面应用，支持图片、视频、摄像头多种输入方式的实时检测，并能直接输出车牌号码字符串。
深度学习22GoogLeNet+数学归一化+ResNet+CPU,GPU....
2401_87118211的博客
06-16 203
深度学习22GoogLeNet+数学归一化+ResNet+CPU,GPU....
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值