基于个人化表征的联邦人脸假冒检测学习
计算机视觉与模式识别
2024-06-18 v1
摘要
深度生成技术可以产生难以区分的高质量假视频，构成严重的社会威胁。传统的假冒检测方法直接在数据上进行集中训练，未考虑非公开视频数据场景下的信息共享和数据隐私问题。自然地，联邦学习策略可用于隐私保护，其聚合客户端模型参数而不传输原始数据。然而，简单联邦学习无法实现令人满意的性能，因为其在现实混合域假冒数据集上的泛化能力较差。为解决此问题，本文提出了一种基于个人化表征的联邦人脸假冒检测学习方法。设计的个人化假冒表征学习旨在学习每个客户端的个人化表征，以提高单个客户端模型的检测性能。此外，利用了个人化联邦学习训练策略来更新分布式检测模型的参数。该方法在多个分布式客户端设备上进行协作训练，将这些客户端模型的共享表征上传到服务器端进行聚合。实验在几个公开的人脸假冒检测数据集上表明，所提出算法在性能上优于当前最先进的方法。代码地址为 \emph{https://github.com/GANG370/PFR-Forgery.}
引用
@article{arxiv.2406.11145,
title = {Federated Face Forgery Detection Learning with Personalized Representation},
author = {Decheng Liu and Zhan Dang and Chunlei Peng and Nannan Wang and Ruimin Hu and Xinbo Gao},
journal= {arXiv preprint arXiv:2406.11145},
year = {2024}
}
备注
The code is publicly available