論文の概要: Investigating the Impact of Pre-processing and Prediction Aggregation on
the DeepFake Detection Task
- arxiv url: http://arxiv.org/abs/2006.07084v3
- Date: Mon, 19 Oct 2020 10:22:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 03:59:10.713852
- Title: Investigating the Impact of Pre-processing and Prediction Aggregation on
the DeepFake Detection Task
- Title(参考訳): deepfake検出タスクにおける前処理と予測集約の影響の検討
- Authors: Polychronis Charitidis, Giorgos Kordopatis-Zilos, Symeon Papadopoulos,
Ioannis Kompatsiaris
- Abstract要約: 本稿では,訓練データの品質向上とDeepFake検出性能への影響を検討するための前処理ステップを提案する。
また,映像レベルの予測アグリゲーション手法の有効性について検討した。
- 参考スコア(独自算出の注目度): 20.21594285488186
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advances in content generation technologies (widely known as
DeepFakes) along with the online proliferation of manipulated media content
render the detection of such manipulations a task of increasing importance.
Even though there are many DeepFake detection methods, only a few focus on the
impact of dataset preprocessing and the aggregation of frame-level to
video-level prediction on model performance. In this paper, we propose a
pre-processing step to improve the training data quality and examine its effect
on the performance of DeepFake detection. We also propose and evaluate the
effect of video-level prediction aggregation approaches. Experimental results
show that the proposed pre-processing approach leads to considerable
improvements in the performance of detection models, and the proposed
prediction aggregation scheme further boosts the detection efficiency in cases
where there are multiple faces in a video.
- Abstract(参考訳): 近年のコンテンツ生成技術(広くはDeepFakesと呼ばれている)の進歩とメディアコンテンツのオンライン拡散により、このような操作の検出が重要になる。
多くのDeepFake検出方法があるが、データセット前処理の影響と、フレームレベルからビデオレベルへの集約がモデルパフォーマンスに与える影響に焦点が当てられている。
本稿では,トレーニングデータの品質向上のための前処理ステップを提案し,DeepFake検出の性能への影響について検討する。
また,ビデオレベルの予測集約手法の効果を提案,評価する。
実験結果から,提案手法により検出モデルの性能が大幅に向上し,ビデオ内に複数の顔が存在する場合の検出効率がさらに向上することが示唆された。
関連論文リスト
- Improving Cross-dataset Deepfake Detection with Deep Information
Decomposition [57.284370468207214]
ディープフェイク技術は、セキュリティと社会的信頼に重大な脅威をもたらす。
既存の検出方法は、クロスデータセットのシナリオに直面した場合、パフォーマンスの急激な低下に悩まされる。
本稿では,深層情報分解(DID)フレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-30T12:30:25Z) - Leveraging the Power of Data Augmentation for Transformer-based Tracking [64.46371987827312]
トラッキング用にカスタマイズされた2つのデータ拡張手法を提案する。
まず、動的探索半径機構と境界サンプルのシミュレーションにより、既存のランダムトリミングを最適化する。
第2に,背景干渉などの問題に対するモデルを可能にする,トークンレベルの機能混在強化戦略を提案する。
論文 参考訳(メタデータ) (2023-09-15T09:18:54Z) - Self-Supervised Graph Transformer for Deepfake Detection [1.8133635752982105]
ディープフェイク検出手法は、与えられたデータセット内の偽造を認識できる有望な結果を示している。
ディープフェイク検出システムは、一般的な検出性能を保証するために、偽造タイプ、外観、品質に欠かせないままでいなければならない。
本研究では、自己教師付き事前学習モデルを利用して、例外的な一般化能力を実現するディープフェイク検出フレームワークを提案する。
論文 参考訳(メタデータ) (2023-07-27T17:22:41Z) - Automated Deception Detection from Videos: Using End-to-End Learning
Based High-Level Features and Classification Approaches [0.0]
深層学習と識別モデルを組み合わせたマルチモーダル手法を提案する。
我々は畳み込み学習を用いて、視線、頭ポーズ、表情を解析する。
提案手法は, 経済要因による新しいローリングディース実験を含む5つのデータセットで評価される。
論文 参考訳(メタデータ) (2023-07-13T08:45:15Z) - CamoDiffusion: Camouflaged Object Detection via Conditional Diffusion
Models [72.93652777646233]
カモフラーゲ型物体検出(COD)は、カモフラーゲ型物体とその周囲の類似性が高いため、コンピュータビジョンにおいて難しい課題である。
本研究では,CODを拡散モデルを利用した条件付きマスク生成タスクとして扱う新しいパラダイムを提案する。
カモ拡散(CamoDiffusion)と呼ばれる本手法では,拡散モデルのデノナイズプロセスを用いてマスクの雑音を反復的に低減する。
論文 参考訳(メタデータ) (2023-05-29T07:49:44Z) - A positive feedback method based on F-measure value for Salient Object
Detection [1.9249287163937976]
本稿では,SODに対するF値に基づく正のフィードバック手法を提案する。
提案手法は,画像を検出して既存のモデルに入力し,それぞれの予測マップを取得する。
5つの公開データセットに対する実験結果から,提案手法の正のフィードバックは,5つの評価指標において最新の12の手法よりも優れていた。
論文 参考訳(メタデータ) (2023-04-28T04:05:13Z) - Impact of Video Processing Operations in Deepfake Detection [13.334500258498798]
ビデオにおけるデジタル顔の操作は、公衆の信頼のリスクが増大したため、広く注目を集めている。
ディープラーニングに基づくディープフェイク検出法が開発され,優れた結果が得られた。
これらの検出器の性能は、現実世界の状況をほとんど反映しないベンチマークを用いて評価されることが多い。
論文 参考訳(メタデータ) (2023-03-30T09:24:17Z) - AntPivot: Livestream Highlight Detection via Hierarchical Attention
Mechanism [64.70568612993416]
本稿では,Livestream Highlight Detectionという新たなタスクを定式化し,上記の課題を議論・分析し,新しいアーキテクチャAntPivotを提案する。
我々は、このタスクをインスタンス化し、我々のモデルの性能を評価するために、完全に注釈付きデータセットAntHighlightを構築した。
論文 参考訳(メタデータ) (2022-06-10T05:58:11Z) - A New Approach to Improve Learning-based Deepfake Detection in Realistic
Conditions [13.334500258498798]
深層畳み込みニューラルネットワークは、複数の検出および認識タスクにおいて例外的な結果を得た。
圧縮, ノイズ, エンハンスメントなどの画像にみられる従来の歪みや処理操作の影響は十分に研究されていない。
本稿では,実世界の画像劣化プロセスに基づく,より効率的なデータ拡張手法を提案する。
論文 参考訳(メタデータ) (2022-03-22T15:16:54Z) - Improved Fine-tuning by Leveraging Pre-training Data: Theory and
Practice [52.11183787786718]
対象データに事前学習されたモデルを微調整することは、多くのディープラーニングアプリケーションで広く利用されている。
近年の研究では、スクラッチからのトレーニングが、この事前トレーニング戦略に比較して、最終的なパフォーマンスを示すことが実証されている。
本稿では,対象タスクの一般化を改善するために,事前学習データからサブセットを選択する新しい選択戦略を提案する。
論文 参考訳(メタデータ) (2021-11-24T06:18:32Z) - Learning Monocular Dense Depth from Events [53.078665310545745]
イベントカメラは、強度フレームではなく、非同期イベントのストリームの形式で輝度を変化させる。
最近の学習に基づくアプローチは、単眼深度予測のようなイベントベースのデータに適用されている。
本稿では,この課題を解決するための繰り返しアーキテクチャを提案し,標準フィードフォワード法よりも大幅に改善されていることを示す。
論文 参考訳(メタデータ) (2020-10-16T12:36:23Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。