JavaShuo
栏目
标签
【论文笔记】Unmasking DeepFakes with simple Features
时间 2021-01-12
原文
原文链接
@MENGM0 本文使用图像的功率谱特征实现了对高分率伪造人脸图片的检测。 Introduction 文章2019年11月发布在arxiv上,提出了使用图像的功率谱(Power Spectrum)作为特征,使用简单的机器学习方法(SVM)进行伪造图像的取证。作者的Github。 数据集 作者制作了一个名为Faces-HQ的数据集,19GB,真实图片来自CelebA-HQ和Flickr-Faces-
>>阅读原文<<
相关文章
1.
【论文笔记】CatBoost: unbiased boosting with categorical features
2.
《Rapid Object Detection using a Boosted Cascade of Simple Features》论文笔记
3.
论文阅读笔记(四十):Learning Spatiotemporal Features with 3D Convolutional Networks(C3D)
4.
论文阅读笔记《leaning spatiotemporal features with 3D convolutional network》
5.
SIMPLE ONLINE AND REALTIME TRACKING WITH A DEEP ASSOCIATION METRIC(论文阅读笔记)
6.
论文笔记C3D:Learning Spatiotemporal Features with 3D Convolutional Networks
7.
【论文阅读笔记】Learning Spatiotemporal Features with 3D Convolutional Networks
8.
《A Joint Neural Model for Information Extraction with Global Features》论文笔记
9.
论文笔记之C3D(Learning Spatiotemporal Features with 3D Convolutional Networks)
10.
【论文笔记】GhostNet:More Features from Cheap Operations
更多相关文章...
•
ASP.NET Razor - 标记
-
ASP.NET 教程
•
XSL-FO simple-page-master 对象
-
XSL-FO 教程
•
Tomcat学习笔记(史上最全tomcat学习笔记)
•
Scala 中文乱码解决
相关标签/搜索
论文笔记
deepfakes
features
simple
论文
论文阅读笔记
文笔
笔记
with+this
with...connect
MyBatis教程
PHP教程
MySQL教程
文件系统
0
分享到微博
分享到微信
分享到QQ
每日一句
每一个你不满意的现在,都有一个你没有努力的曾经。
最新文章
1.
NLP《词汇表示方法(六)ELMO》
2.
必看!RDS 数据库入门一本通(附网盘链接)
3.
阿里云1C2G虚拟机【99/年】羊毛党集合啦!
4.
10秒钟的Cat 6A网线认证仪_DSX2-5000 CH
5.
074《从零开始学Python网络爬虫》小记
6.
实例12--会动的地图
7.
听荐 | 「谈笑风声」,一次投资圈的尝试
8.
阿里技术官手写800多页PDF总结《精通Java Web整合开发》
9.
设计模式之☞状态模式实战
本站公众号
欢迎关注本站公众号,获取更多信息
相关文章
1.
【论文笔记】CatBoost: unbiased boosting with categorical features
2.
《Rapid Object Detection using a Boosted Cascade of Simple Features》论文笔记
3.
论文阅读笔记(四十):Learning Spatiotemporal Features with 3D Convolutional Networks(C3D)
4.
论文阅读笔记《leaning spatiotemporal features with 3D convolutional network》
5.
SIMPLE ONLINE AND REALTIME TRACKING WITH A DEEP ASSOCIATION METRIC(论文阅读笔记)
6.
论文笔记C3D:Learning Spatiotemporal Features with 3D Convolutional Networks
7.
【论文阅读笔记】Learning Spatiotemporal Features with 3D Convolutional Networks
8.
《A Joint Neural Model for Information Extraction with Global Features》论文笔记
9.
论文笔记之C3D(Learning Spatiotemporal Features with 3D Convolutional Networks)
10.
【论文笔记】GhostNet:More Features from Cheap Operations
>>更多相关文章<<