論文の概要: Improving DeepFake Detection Using Dynamic Face Augmentation
- arxiv url: http://arxiv.org/abs/2102.09603v1
- Date: Thu, 18 Feb 2021 20:25:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-23 02:07:43.726756
- Title: Improving DeepFake Detection Using Dynamic Face Augmentation
- Title（参考訳）: 動的顔強調によるディープフェイク検出の改善
- Authors: Sowmen Das, Arup Datta, Md. Saiful Islam, Md. Ruhul Amin
- Abstract要約: ほとんどの公開可能なDeepFake検出データセットには、限られたバリエーションがある。
ディープニューラルネットワークは、DeepFakeコンテンツの操作機能を検出するための学習ではなく、顔の特徴にオーバーフィットする傾向があります。
DeepFake検出を改善するために、CNN(Convolutional Neural Networks)をトレーニングするためのデータ拡張方法であるFace-Cutoutを紹介します。
- 参考スコア（独自算出の注目度）: 0.8793721044482612
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The creation of altered and manipulated faces has become more common due to
the improvement of DeepFake generation methods. Simultaneously, we have seen
detection models' development for differentiating between a manipulated and
original face from image or video content. We have observed that most publicly
available DeepFake detection datasets have limited variations, where a single
face is used in many videos, resulting in an oversampled training dataset. Due
to this, deep neural networks tend to overfit to the facial features instead of
learning to detect manipulation features of DeepFake content. As a result, most
detection architectures perform poorly when tested on unseen data. In this
paper, we provide a quantitative analysis to investigate this problem and
present a solution to prevent model overfitting due to the high volume of
samples generated from a small number of actors. We introduce Face-Cutout, a
data augmentation method for training Convolutional Neural Networks (CNN), to
improve DeepFake detection. In this method, training images with various
occlusions are dynamically generated using face landmark information
irrespective of orientation. Unlike other general-purpose augmentation methods,
it focuses on the facial information that is crucial for DeepFake detection.
Our method achieves a reduction in LogLoss of 15.2% to 35.3% on different
datasets, compared to other occlusion-based augmentation techniques. We show
that Face-Cutout can be easily integrated with any CNN-based recognition model
and improve detection performance.
- Abstract（参考訳）: DeepFake生成方法の改善により、変更および操作された顔の作成がより一般的になりました。
同時に,画像や映像の内容から操作された顔とオリジナル顔とを区別する検出モデルの開発を行った。
公開されているほとんどのDeepFake検出データセットは、単一の顔が多くのビデオで使用されているため、トレーニングデータセットが過剰にサンプル化されていることを観察しました。
このため、ディープニューラルネットワークは、DeepFakeコンテンツの操作機能を検出するための学習ではなく、顔の特徴に過剰に適合する傾向があります。
その結果、ほとんどの検出アーキテクチャは、目に見えないデータでテストすると性能が悪くなる。
本論文では,この問題を定量的に解析し,少量のアクターから発生する試料量が多いため,モデルオーバーフィッティングを未然に防ぐためのソリューションを提案する。
本研究では,畳み込みニューラルネットワーク(cnn)の学習のためのデータ拡張手法であるface-cutoutを提案する。
この方法では、向きに関係なく顔のランドマーク情報を用いて、様々な閉塞を有する訓練画像を動的に生成する。
他の汎用的な増強法とは異なり、DeepFake検出に不可欠な顔情報に焦点を当てています。
本手法は,他のオクルージョンベース拡張法と比較して,異なるデータセットで15.2%から35.3%のログロス削減を実現する。
Face-CutoutはCNNベースの認識モデルと簡単に統合でき、検出性能が向上します。
関連論文リスト
- Unmasking Deepfake Faces from Videos Using An Explainable Cost-Sensitive
Deep Learning Approach [0.0]
ディープフェイク技術は広く使われており、デジタルメディアの信頼性に関する深刻な懸念につながっている。
本研究は,映像中のディープフェイク顔を効果的に検出するために,リソース効率が高く透明なコスト感受性深層学習法を用いている。
論文 参考訳（メタデータ） (2023-12-17T14:57:10Z) - DeepFidelity: Perceptual Forgery Fidelity Assessment for Deepfake
Detection [67.3143177137102]
ディープフェイク検出(Deepfake detection)とは、画像やビデオにおいて、人工的に生成された顔や編集された顔を検出すること。
本稿では,実顔と偽顔とを適応的に識別するDeepFidelityという新しいDeepfake検出フレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-07T07:19:45Z) - 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) - A new face swap method for image and video domains: a technical report [60.47144478048589]
FaceShifterアーキテクチャに基づいた新しいフェイススワップパイプラインを導入する。
新しいアイロス機能、超解像ブロック、ガウスベースのフェイスマスク生成は、品質改善につながる。
論文 参考訳（メタデータ） (2022-02-07T10:15:50Z) - An Experimental Evaluation on Deepfake Detection using Deep Face
Recognition [0.0]
ディープラーニングは、ディープフェイク(deepfakes)として知られる非常に現実的なフェイクコンテンツを生み出した。
現在のディープフェイク検出法のほとんどは、2クラス畳み込みニューラルネットワーク(CNN)を用いた偽のイメージやビデオとを区別する二項分類問題と見なされている。
本稿では,異なる損失関数とディープフェイク生成技術を用いて,ディープフェイク識別におけるディープフェイク認識の有効性を徹底的に評価する。
論文 参考訳（メタデータ） (2021-10-04T18:02:56Z) - End2End Occluded Face Recognition by Masking Corrupted Features [82.27588990277192]
最先端の一般的な顔認識モデルは、隠蔽された顔画像に対してうまく一般化しない。
本稿では,1つのエンドツーエンドのディープニューラルネットワークに基づいて,オクルージョンに頑健な新しい顔認識手法を提案する。
我々のアプローチは、深い畳み込みニューラルネットワークから破損した特徴を発見し、動的に学習されたマスクによってそれらをきれいにする。
論文 参考訳（メタデータ） (2021-08-21T09:08:41Z) - M2TR: Multi-modal Multi-scale Transformers for Deepfake Detection [74.19291916812921]
Deepfake技術によって生成された鍛造画像は、デジタル情報の信頼性に深刻な脅威をもたらします。
本稿では,Deepfake検出のための微妙な操作アーチファクトを異なるスケールで捉えることを目的とする。
最先端の顔スワッピングと顔の再現方法によって生成された4000のDeepFakeビデオで構成される高品質のDeepFakeデータセットSR-DFを紹介します。
論文 参考訳（メタデータ） (2021-04-20T05:43:44Z) - The FaceChannel: A Fast & Furious Deep Neural Network for Facial
Expression Recognition [71.24825724518847]
顔の表情の自動認識(FER)の最先端モデルは、非常に深いニューラルネットワークに基づいており、訓練には効果的だがかなり高価である。
私たちは、一般的なディープニューラルネットワークよりもはるかに少ないパラメータを持つ軽量ニューラルネットワークであるFaceChannelを形式化します。
我々は、私たちのモデルがFERの現在の最先端技術に匹敵するパフォーマンスを達成する方法を実証する。
論文 参考訳（メタデータ） (2020-09-15T09:25:37Z)
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。