本文摘要:此外,FaceX-Ray不是在“自学”中大量更换脸部图像来提高识别率,训练数据也不依赖于用特定的脸部替换技术分解的图像,需要使用普通的脸部照片展开训练,可以显示更换脸部的边界在哪里。测试结果表明,FaceX-Ray的识别率超过95%,是包括换脸在内的安全性问题。

图像

网络智能新闻2月24日俗话说“耳朵空虚,眼睛实际可见”,但现在受人工智能技术的影响“看眼睛”也不一定是真实的。在最近大热的英剧《真凶捕猎(The Capture)》中,视频中的人可以改变脸,也可以伪造动态的监视视频,如果享受一个人的声音和脸图像数据,就可以生产假的视频作为假的证据。

故事是虚拟世界,但在人工智能技术飞跃发展的今天,我们必须警惕因AI技术的发展而导致的AI技术被欺骗的问题。事实上,《真凶捕猎》场景在技术上是必不可少的。迄今为止,DeepFake事件也提醒微软公司的社长Brad Smith在新书《工具,还是武器?》上牺牲这些人类科学技术最严峻的争论性问题。

微软公司亚洲研究院计算机视觉集团依然试图从技术角度判别面部图像、视频的真伪,FaceX-Ray是微软公司亚洲研究院在这个领域的最近突破。关于这项技术的论文收录在CVPR 2020中。Face X-Ray :可说明可靠的Face X-Ray,顾名思义就是对面部图像和视频进行“x光检测”。微软亚洲研究院常务副院长郭百宁表示:“X-Ray的下一个突破是,无论是使用返回脸的图像还是使用返回未知脸的算法,都可以具有很高的识别率,平均值在95%以上。

然后,这个方法可以解决、解释AI模型传统的“黑匣子”问题,告诉他可靠的理由。”。以往的AI一般是返回脸部,(1)检测对象图像的脸部区域。

(2)使用ai面部恢复算法分解新面部及一部分周围区域(3)将分解后的新面部融合到原图像中,替换原图像中的面部。迄今为止的换脸鉴别方法主要从第二步开始,应该通过基于数据集的监督训练自学大量的换脸图像,检测换脸过程中产生的伤痕,判别真实性。

但是,由于替代算法不同,调制时的伤痕也不同,所以对一种替代算法展开训练后,如果应用于另一种算法,精度就会显着提高,这是几次替代判别算法没有通用性的原因。相应地,微软公司亚洲研究院视觉计算组的研究员另辟蹊径,用FaceX-Ray以新的方法判别脸部图像是否被置换了。

Face X-Ray不需要事先用操作方法或人工进行监督,从第三步开始,表示通过分解灰度图像,能否分解为来自不同源的两个图像的混合,检测替代的边界,像x光那样,清楚地显示该边界算法预测的融合边界。BI对人工合成人的脸有反应。

脸部

算法

DF、F2F、FS、NT分别响应由DeepFakes、Face2Face、FaceSwap、NeuralTextures算法分解的面部。此外,Face X-Ray不是在“自学”中大量更换脸部图像来提高识别率,训练数据也不依赖于用特定的脸部替换技术分解的图像,需要使用普通的脸部照片展开训练,可以显示更换脸部的边界在哪里。(a )行是现实图像,(b )行是制作图像,中央是噪声分析,右侧是误差水平分析对未知的换脸算法,检测精度约95%以上的Face X-Ray算法依然基于FaceForensics数据集进行测试但是,与迄今为止的脸部替换识别算法使用数据集中的4种脸部替换算法分解的脸部图像展开训练不同,Face X-Ray只在任意一种算法(例如DeepFakes )中制作的图像中训练,其他3种DeepFakes 这无疑在“标准化”的人脸识别算法中,有很多想法被突破了。

测试结果表明,Face X-Ray的识别率超过95%,是包括换脸在内的安全性问题。网卓新闻网在长战《工具,还是武器?》的书中说,即使是最坏的科学技术,也有可能带来意想不到的结果。像人类需要利用过去的经验预测弯道地点的问题一样,必须认真观察反射镜。

本书特别强调人工智能的道德问题必然从一般讨论变成明确的议题。在现阶段,返回脸部图像是明确的议题之一,同时文字、声音、视频的虚构、选育的问题也不会持续下去。

技术上,文字、声音属于一维信号,图像属于二维信号,影像是三维信号,维度越高,可视性就越大,因此图像的判别是攻防课题,如果突破,则意味着之后著判别技术的整体变化。Face X-Ray的通用性和说明性的提高,也关系到可靠地拉近返回脸的图像的判别距离。

本文关键词:视频,分解,图像,算法,亚博app下载

本文来源:亚博下载安装app-www.sasnlaha.com

admin 基础教育