Fugu-MT 論文翻訳(概要): Deepfake Detection using Spatiotemporal Convolutional Networks

論文の概要: Deepfake Detection using Spatiotemporal Convolutional Networks

arxiv url: http://arxiv.org/abs/2006.14749v1
Date: Fri, 26 Jun 2020 01:32:31 GMT
ステータス: 処理完了
システム内更新日: 2022-11-16 21:39:46.753817
Title: Deepfake Detection using Spatiotemporal Convolutional Networks
Title（参考訳）: 時空間畳み込みネットワークを用いたディープフェイク検出
Authors: Oscar de Lima, Sean Franklin, Shreshtha Basu, Blake Karwoski, Annet George
Abstract要約: ディープフェイク検出法は個々のフレームのみを使用し、時間情報から学習することができない。我々はCeleb-DFデータセットを用いて性能のベンチマークを作成した。提案手法は,最先端のフレームベース検出法より優れていた。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Better generative models and larger datasets have led to more realistic fake videos that can fool the human eye but produce temporal and spatial artifacts that deep learning approaches can detect. Most current Deepfake detection methods only use individual video frames and therefore fail to learn from temporal information. We created a benchmark of the performance of spatiotemporal convolutional methods using the Celeb-DF dataset. Our methods outperformed state-of-the-art frame-based detection methods. Code for our paper is publicly available at https://github.com/oidelima/Deepfake-Detection.
Abstract（参考訳）: より優れた生成モデルとより大きなデータセットは、人間の目を騙すことができるが、深層学習アプローチが検出できる時間的および空間的アーティファクトを生成する、より現実的なフェイクビデオを生み出した。現在のディープフェイク検出法のほとんどは、個々のビデオフレームのみを使用しており、時間的情報から学ばない。 celeb-dfデータセットを用いた時空間畳み込み法の性能ベンチマークを作成した。提案手法は最先端のフレームベース検出手法よりも優れていた。私たちの論文のコードはhttps://github.com/oidelima/deepfake-detectionで公開されている。

関連論文リスト

Deepfake detection in videos with multiple faces using geometric-fakeness features [79.16635054977068]
被害者や人物のディープフェイクは、脅迫、ゆがみ、金融詐欺の詐欺師によって使用される。本研究では,映像中の顔の存在の動的度を特徴付ける幾何学的フェイクネス機能(GFF)を提案する。我々は、ビデオに同時に存在する複数の顔でビデオを分析するために、我々のアプローチを採用している。
論文参考訳（メタデータ） (2024-10-10T13:10:34Z)
AltFreezing for More General Video Face Forgery Detection [138.5732617371004]
顔偽造検出のための1つのモデルにおいて,空間的および見えない時間的アーティファクトの両方をキャプチャすることを提案する。より一般的な顔偽造検出のためのAltFreezingと呼ばれる新しいトレーニング戦略を提案する。
論文参考訳（メタデータ） (2023-07-17T08:24:58Z)
Undercover Deepfakes: Detecting Fake Segments in Videos [1.2609216345578933]
ディープフェイク・ジェネレーションはディープフェイクの新しいパラダイムだほとんどは真実を歪めるためにわずかに修正された実際のビデオだ本稿では,フレームとビデオレベルでディープフェイク予測を行うことにより,この問題に対処できるディープフェイク検出手法を提案する。特に、私たちが取り組むパラダイムは、ディープフェイクのモデレーションのための強力なツールを形成します。
論文参考訳（メタデータ） (2023-05-11T04:43:10Z)
Deep Convolutional Pooling Transformer for Deepfake Detection [54.10864860009834]
本研究では,局所的・グローバル的に決定的な画像特徴を取り入れた深部畳み込み変換器を提案する。具体的には,抽出した特徴を充実させ,有効性を高めるために,畳み込みプーリングと再アテンションを適用した。提案手法は、内部実験と相互データセット実験の両方において、最先端のベースラインを一貫して上回る。
論文参考訳（メタデータ） (2022-09-12T15:05:41Z)
Delving into Sequential Patches for Deepfake Detection [64.19468088546743]
近年の顔偽造技術は、ほとんど追跡不可能なディープフェイクビデオを生み出しており、悪意のある意図で活用することができる。従来の研究では、ディープフェイク法にまたがる一般化を追求する上で、局所的な低レベルな手がかりと時間的情報の重要性が指摘されてきた。本稿では,局所的・時間的変換をベースとしたDeepfake Detectionフレームワークを提案する。
論文参考訳（メタデータ） (2022-07-06T16:46:30Z)
Voice-Face Homogeneity Tells Deepfake [56.334968246631725]
既存の検出アプローチは、ディープフェイクビデオにおける特定のアーティファクトの探索に寄与する。未探索の音声-顔のマッチングビューからディープフェイク検出を行う。我々のモデルは、他の最先端の競合と比較して、大幅に性能が向上する。
論文参考訳（メタデータ） (2022-03-04T09:08:50Z)
Model Attribution of Face-swap Deepfake Videos [39.771800841412414]
まず、いくつかのAutoencoderモデルに基づいて、DeepFakes from Different Models (DFDM)を用いた新しいデータセットを導入する。具体的には、エンコーダ、デコーダ、中間層、入力解像度、圧縮比の5つの世代モデルを用いて、合計6450のDeepfakeビデオを生成する。我々は,Deepfakesモデルの属性を多クラス分類タスクとして捉え,Deepfakes間の差異を探索するための空間的・時間的注意に基づく手法を提案する。
論文参考訳（メタデータ） (2022-02-25T20:05:18Z)
One Detector to Rule Them All: Towards a General Deepfake Attack Detection Framework [19.762839181838388]
本稿では,LSTMに基づくResidual Network(CLRNet)を導入し,未知の未確認ディープフェイクに対処する。我々のCLRNetモデルは、93.86%の精度で高品質なDFWビデオに対してうまく一般化できることを実証した。
論文参考訳（メタデータ） (2021-05-01T08:02:59Z)
Spatio-temporal Features for Generalized Detection of Deepfake Videos [12.453288832098314]
我々は3D CNNによってモデル化された時間的特徴を提案し、新しい種類のディープビデオを検出する能力を拡張した。提案手法は,一般化能力において既存手法よりも優れていることを示す。
論文参考訳（メタデータ） (2020-10-22T16:28:50Z)
A Convolutional LSTM based Residual Network for Deepfake Video Detection [23.275080108063406]
我々は、深層ビデオを検出するための畳み込みLSTMベースのResidual Network(CLRNet)を開発した。また,異なるディープフェイク手法を一般化するための伝達学習に基づくアプローチを提案する。
論文参考訳（メタデータ） (2020-09-16T05:57:06Z)
A Plug-and-play Scheme to Adapt Image Saliency Deep Model for Video Data [54.198279280967185]
本稿では,ビデオデータに対して予め訓練された画像の鮮度深度モデルを弱めに再学習する新しいプラグイン・アンド・プレイ方式を提案する。本手法は,既訓練画像の深度モデルに適応して高品質な映像の鮮度検出を実現するのに有効である。
論文参考訳（メタデータ） (2020-08-02T13:23:14Z)

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。