.png){kind=icon}
返回
Detecting Deceptive Behavior via Learning Relation-Aware Visual Representations
.png){kind=icon}
PRE
AI
DOI：10.1109/TIFS.2025.3586468.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着数字媒体的快速发展和广泛应用，欺骗行为引发了诸多伦理和安全问题，使得欺骗检测技术的研究与进步尤为重要。大多数以往的自动化欺骗检测方法主要关注视觉情境中的面部信息。然而，从心理学角度来看，欺骗行为不仅体现在面部表情的变化，还可能通过肢体行为以及身体各部分的细微不协调表现出来。受此不一致性启发，本文尝试对肢体行为及其关系进行建模以用于欺骗检测。值得注意的是，一些主流的视频理解方法虽然能大致建模头部和肢体信息，但其整体视频输入方式易受背景干扰影响。这限制了其聚焦于反映欺骗的关键身体区域和细微运动线索的能力，从而制约了检测性能。为解决上述挑战，本文提出了一种动态学习框架，利用肢体部分关系感知建模（DLF-BRAM）。在该框架内，我们对头部和肢体区域进行分割和建模，以减少无关背景干扰并提升特征学习的准确性。该框架包含两个主要组件：头部-肢体关系感知表示（HLRAR）模块和动态评估学习策略（DALS）。HLRAR模块揭示了头部、肢体及其交互的时空关系，并学习各线索的深度特征表示，从而突出这些线索的独特性。DALS在训练过程中评估三种时空关系的有效学习情况，并动态调整其学习权重，防止任何单一分支主导学习过程，促进平衡学习。广泛的基准和消融实验表明，我们的方法优于大多数现有方法，验证了其有效性。
Keyword:
Automated deception detection
human behavior understanding
deep learning
期刊
IF:
8
论文数:
5.3K
被引数:
2.3W
机构
引用论文
.png){kind=icon}
查看更多内容