姓名：张钰 学号：21011210154 学院：通信工程学院
【嵌牛导读】Frequency-aware Discriminative Feature Learning Supervised by Single-Center Loss for Face Forgery Detection论文阅读笔记
【嵌牛鼻子】Deepfake人脸检测方法，基于单中心损失监督的频率感知鉴别特征学习框架FDFL，将度量学习和自适应频率特征学习应用于人脸伪造检测，实现SOTA性能
【嵌牛提问】本文对于伪造人脸检测的优势在哪里体现
【嵌牛正文】
转自：
姓名：张钰 学号：21011210154 学院：通信工程学院
【嵌牛导读】Representative Forgery Mining for Fake Face Detection论文阅读笔记
【嵌牛鼻子】北邮提出的RFM 框架，可以在没有精心设计的监督情况下将显著的伪造行为可视化，并使基于通用CNN 的检测器在DFFD 和 Celeb-DF 上实现 SOTA 性能。
【嵌牛提问】如何实现伪造检测，有何创新点
【嵌牛正文】
转自：
该方法通过将检测器的注意力从过度敏感的面部区域解耦，实现了具有先进水平的检测性能，并显著保持了对仅包含少量技术伪造的人脸的检测性能。
优点：
URL:
论文pdf
Google出品。亚毫秒级的移动端人脸检测算法。移动端可达200~1000+FPS速度。主要以下改进：
在深度可分离卷积中，计算量主要为point-wise部分，增加depth-wise部分卷积核大小并不会明显增加成本。因此本文在depth-wise部分采用了5x5的卷积核，已获得更大的感受野，故此可以降低在层数上的需求。
此外，启发于mobilenetV2，本文设计了一个先升后降的double BlazeBlock。BlazeBlock适用于浅层，double BlazeBlock适用于深层。
16x16的anchor是一样的，但本文将8x8，4x4和2x2的2个anchor替换到8x8的6个anchor。此外强制限制人脸的长宽为1：1。
由于最后一层feature map较大（相对于ssd），导致预测结果会较多，在连续帧预测过程中，nms会变导致人脸框变得更加抖动。本文在原始边界框的回归参数估计变为其与重叠概率的加权平均。这基本没有带来预测时间上的消耗，但在提升了10%的性能。
效果好速度快的方法想不想要？
