针对现有深度伪造人脸检测方法在模型复杂性、样本量需求和应对新型深度伪造技术上的局限,提出基于视觉-语言模型的小样本深度伪造人脸检测方法(Few-Shot Deepfake Face Detection Method Based on Visual-Language Model,FDFD-VLM).基...
详细信息
针对现有深度伪造人脸检测方法在模型复杂性、样本量需求和应对新型深度伪造技术上的局限,提出基于视觉-语言模型的小样本深度伪造人脸检测方法(Few-Shot Deepfake Face Detection Method Based on Visual-Language Model,FDFD-VLM).基于CLIP(Contrastive Language-Image Pre-training),通过人脸区域提取与高频特征增强模块优化视觉特征,采用无类名-差异化Prompt优化模块提升Prompt适应性,利用CLIP编码结果优化模块强化多模态特征表示,通过三元组损失函数增强模型区分能力.实验表明,FDFD-VLM在多个深度伪造人脸数据集上的准确率较高,能在较少的训练样本下实现高效的深度伪造人脸检测.
许多分布式拒绝服务(DDoS)攻击检测方法侧重提升模型性能，但忽略流量样本分布和特征维度对检测性能的影响，导致模型学习多余信息。针对网络流量类不平衡和特征冗余问题，提出一种基于多评价标准的混合特征选择方法（Hybrid Feature Selection method based on Multiple Evaluation Criteria, HFS-MEC）。首先，综合考虑皮尔逊相关系数(PCC)和互信息(MI)，选出相关性特征；其次，设计基于方差膨胀因子(VIF)的序列后向搜索(SBS)算法，减少特征冗余，进一步降低特征维度。同时，为平衡检测性能和计算时间，设计基于简单循环单元(SRU)的低延时DDoS攻击检测（Low-latency DDoS attack detection based on SRU, L-DDoS-SRU）模型。在CIC-IDS2017和CIC-DDoS2019数据集上的实验结果表明，HFS-MEC在CIC-IDS2017和CIC-DDoS2019数据集上将特征维度从78维和88维分别减少至31维和41维。L-DDoS-SRU检测时间仅40.34秒，召回率达99.38%，与长短期记忆(LSTM)相比提高了8.47%，与门控循环单元(GRU)相比提高了9.76%。所提方法有效提高检测性能并减少检测时间。
暂无评论