【技术实现步骤摘要】
本专利技术属于机器学习的，具体涉及一种基于resnet和lstm的多维时空特征融合深度伪造视频检测方法及装置。
技术介绍
1、近年来，随着深度学习领域的飞速进步，生成对抗网络(gan)等先进算法在创造高度真实的合成内容方面取得了显著成就，尤其体现在深度伪造(deepfake)技术上，该技术能够高度仿真地模拟和重建人脸表情、动作乃至语音，使合成视频在视觉效果上几乎与真实视频无异。这种技术的滥用已经成为一个严重的社会问题，因为它被用于散播虚假信息、引发政治风波及侵犯个人隐私，进而对公共安全构成了严峻挑战。
2、目前针对深度伪造的人脸识别检测技术主要分为三类：基于图像特征的方法、基于时间序列信息的方法以及多模态融合方法。基于图像特征的技术通常依赖于卷积神经网络(cnn)来提取静态图像中的空间特征，并通过分析面部细节如纹理、光照和形态来辨识伪造的迹象。基于时间序列信息的技术则采用递归神经网络(rnn)或长短期记忆网络(lstm)来分析视频帧间的动态关系，检测非自然的表情变化或时间上的不连贯性。而多模态融合方法则是综合利用视觉和听觉等...
【技术保护点】
1.基于ResNet和LSTM的多维时空特征融合深度伪造视频检测方法，其特征在于，包括下述步骤：
2.根据权利要求1所述基于ResNet和LSTM的多维时空特征融合深度伪造视频检测方法，其特征在于，所述获取视频中的人脸图像，并定位人脸图像中的关键点，具体为：
3.根据权利要求1所述基于ResNet和LSTM的多维时空特征融合深度伪造视频检测方法，其特征在于，所述基于预训练的ResNet模型提取人脸图像中的空间特征向量，具体为：
4.根据权利要求1所述基于ResNet和LSTM的多维时空特征融合深度伪造视频检测方法，其特征在于，所述基...
【技术特征摘要】
1.基于resnet和lstm的多维时空特征融合深度伪造视频检测方法，其特征在于，包括下述步骤：
2.根据权利要求1所述基于resnet和lstm的多维时空特征融合深度伪造视频检测方法，其特征在于，所述获取视频中的人脸图像，并定位人脸图像中的关键点，具体为：
3.根据权利要求1所述基于resnet和lstm的多维时空特征融合深度伪造视频检测方法，其特征在于，所述基于预训练的resnet模型提取人脸图像中的空间特征向量，具体为：
4.根据权利要求1所述基于resnet和lstm的多维时空特征融合深度伪造视频检测方法，其特征在于，所述基于注意力机制对resnet模型提取的空间特征向量进行特征增强，具体为：
5.根据权利要求1所述基于resnet和lstm的多维时空特征融合深度伪造视频检测方法，其特征在于，所述lstm网络包括：
6.根据权利要求1所述基于resnet和lstm的多维时空...
【专利技术属性】
技术研发人员：李树栋，冯依林，吴晓波，方滨兴，张欣，姚明俊，曲春屹，罗文伟，
申请(专利权)人：广州大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。