您提出通过 MesoNet 在中观尺度上使用人工神经网络。这款深度伪造检测工具是如何工作的？
在我们之前的工作中，我们利用深度学习来区分合成图像和照片。图像的“噪点”被证明是一个非常好的指标。这种“噪点”可以在像素级别、微观尺度上观察到。但在深度伪造作品中，由于视频压缩，几乎没有任何噪点残留。
至于宏观层面
看看它代表的是人、动物、建筑物等等。这就是图像语义。在本例中，我们已经 手机号码数据 知道它是一张脸。因此，我们的出发点是：微观尺度不起作用，我们对宏观尺度不感兴趣，所以让我们介于两者之间，在中观层面进行研究；让我们分析图像的各个部分，而不是单个像素或整幅图像。
这帮助我们定义了我们的神经网络。我们知道必须给它提供中观数据。在此基础上，我们建立 将性别观点纳入劳动监察机构的战略重点 了数据库并设计了网络。通过多次测试，我们惊讶地发现，中观网络的效果比深层网络更好。
在修改网络以提高其性能时
我们注意到，每次缩短网络长度，它并没有变得更弱，有时反而变得更好。因此，最终效果最佳的网络相当短，大约有二十层。
这有两个好处：首先，它易于训练，在普通机器上大约需要两个小时。训练完成后，我们可以在 电子邮件列表 低功耗机器（例如智能手机）上使用它。其次，我们可以探索和研究它。因此，通过分析我们网络的各个层，我们意识到眼睛在深度伪造检测中起着重要作用。
最近，唐纳德·特朗普向比利时提供气候变化建议的深度伪造视频的例子表明，识别深度伪造的解决方案不仅仅是技术。在深度伪造日益复杂的背景下，如何才能“训练”人类识别它们，或者至少对它们保持警惕？
当你浏览社交网络时，如果看到一张看起来完全不真实的照片，你会相信它是真的，还是会立刻认定它是假的？我认为大多数人已经学会了对图像保持警惕。这需要一段时间，但现在已经习以为常了。