深度人脸伪造与检测技术综述

由于现有深度人脸伪造软件通常是开源的或者被封装为APP免费分发，导致了虚假视频的泛滥。因此开展针对深度人脸伪造检测技术的研究就显得尤为重要。目前，深度人脸伪造及检测技术正处在快速发展时期，各种相应的算法也在不断更新迭代。本文首先介绍了深度人脸伪造和其检测技术的代表性算法并给出简要分析，其中深度人脸伪造技术包括身份替换、面部重演、属性编辑、人脸生成等，检测技术包括图像级伪造检测技术和视频级伪造检测技术。然后归纳总结了常用的深度人脸伪造与检测数据集及不同算法的评估结果，最后讨论了伪造技术及其检测技术目前面临的主要问题及发展方向。     

基于数据驱动的社交媒体假新闻预测（英文）

社交媒体的快速发展导致了虚假新闻的广泛传播，这不仅影响了人们的生活，也损害了社交媒体平台的可信度。因此，中文假新闻检测是一项具有挑战性且意义重大的任务。然而，现有的中国社交媒体平台的假新闻数据集数据量相对较少，该领域的数据收集相对陈旧，不能满足进一步研究的要求。考虑到这一背景，本文提出了一个最新的中文微博假新闻数据集，其中包含从微博收集的26320条假新闻数据。此外，还提出了一种基于数据增强的假新闻检测模型，可以有效解决假新闻数据缺乏的问题，提高模型的泛化能力和鲁棒性。对从微博收集的假新闻数据集进行了大量实验，并成功将模型部署在网页上。实验结果证明了所提出的端到端模型在检测社交媒体平台上的虚假新闻方面的有效性。     

基于时空切片的新闻主播检测算法

为实现海量新闻视频的有效索引和检索,提出了一种基于时空切片（spatio—temprol slice,STS）特性的新闻主播检测方法．通过对时空切片的模式分析,聚类和信息融合,实现了新闻主播镜头的自动检测．该方法完全通过对新闻视频结构的分析,利用其共有的特性,对不同的新闻视频实现主播镜头自适应检测．大规模实验证明了该算法准确性高,鲁棒性强且计算复杂度低．     

视觉域泛化技术及研究进展

近年来,机器学习理论和深度学习算法在计算机视觉领域发展迅速,并且在目标检测、语义分割、动作识别等任务场景中得到广泛应用。然而,实际部署中模型效果往往依赖于训练域和测试域服从独立同分布这一假设,受域偏移(Domain shift)现象影响严重。域偏移(即目标域数据分布与训练域不一致)对模型的泛化性提出了巨大挑战,使得域泛化(Domain generalization)技术成为计算机视觉领域一个重要的研究方向。域泛化研究如何在单一或者多个源域上进行模型训练,使其能够在具有不同数据分布的未知目标域上保持良好的泛化性,为模型应用提供了重要的保障。文章对近年来计算机视觉领域中域泛化研究具有代表性的论文进行梳理和总结,概述视觉域泛化技术及其研究进展。首先对域泛化的任务定义、任务特点和研究思想进行详细阐述;其次,遵循域泛化研究思路,从增广数据空间、优化模型求解和减小域间差异3个大方向分类总结域泛化领域的最新研究成果;随后介绍了域泛化技术在计算机视觉任务中的应用以及已公开的大规模数据集;最后讨论了域泛化研究领域未来可能的研究方向。     

基于深度学习的网络入侵检测研究综述

互联网的不断发展与广泛使用给网络用户带来了极大的方便,但同时也使得网络安全形势变得越来越严峻.传统的基于签名的入侵检测方法难以应对日益增多的加密攻击检测和零日攻击检测问题.在过去的几年里,人们对基于深度学习的入侵检测技术给予了极大的关注.文章通过广泛的文献调查,介绍了利用深度学习技术进行网络异常检测的最新工作:①总结了网络入侵检测常用的输入特征和相关预处理操作;②概括了几种常见的深度学习模型及其特点,并结合输入特征讨论了各个模型的选择方法;③总结了深度学习方法能够解决的几种常见的入侵检测问题;④讨论了利用深度学习进行入侵检测时仍然存在的若干挑战与问题.