論文の概要: DefakeHop: A Light-Weight High-Performance Deepfake Detector

• arxiv url: http://arxiv.org/abs/2103.06929v1
• Date: Thu, 11 Mar 2021 20:01:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-15 13:25:11.092858
• Title: DefakeHop: A Light-Weight High-Performance Deepfake Detector
• Title（参考訳）: DefakeHop:軽量高性能ディープフェイク検出器
• Authors: Hong-Shuo Chen, Mozhdeh Rouhsedaghat, Hamza Ghani, Shuowen Hu, Suya You, C.-C. Jay Kuo
• Abstract要約: 最先端のDeepfake検出方法はディープニューラルネットワーク上に構築されている。 DefakeHopは、顔画像の様々な部分から連続的なサブスペース学習(SSL)原則を使って自動的に機能を抽出する。 モデルサイズ42,845パラメータの小さなDefakeHopは、それぞれUADFV、Celeb-DF v1、Celeb-DF v2データセットで100%、94.95%、90.56%のROC曲線(AUC)の領域で最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 26.714169495886527
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A light-weight high-performance Deepfake detection method, called DefakeHop, is proposed in this work. State-of-the-art Deepfake detection methods are built upon deep neural networks. DefakeHop extracts features automatically using the successive subspace learning (SSL) principle from various parts of face images. The features are extracted by c/w Saab transform and further processed by our feature distillation module using spatial dimension reduction and soft classification for each channel to get a more concise description of the face. Extensive experiments are conducted to demonstrate the effectiveness of the proposed DefakeHop method. With a small model size of 42,845 parameters, DefakeHop achieves state-of-the-art performance with the area under the ROC curve (AUC) of 100%, 94.95%, and 90.56% on UADFV, Celeb-DF v1 and Celeb-DF v2 datasets, respectively.
• Abstract（参考訳）: 本研究では,軽量で高性能なDeepfake検出法であるDefakeHopを提案する。 最先端のDeepfake検出方法はディープニューラルネットワーク上に構築されている。 DefakeHopは、顔画像の様々な部分から連続的なサブスペース学習(SSL)原則を使って自動的に機能を抽出する。 これらの特徴は, c/w Saab変換により抽出され, さらに空間次元の低減と各チャネルのソフトな分類を用いて, 顔のより簡潔な記述を得る。 提案手法の有効性を示すため, 広範囲な実験を行った。 モデルサイズ42,845パラメータの小さなDefakeHopは、それぞれUADFV、Celeb-DF v1、Celeb-DF v2データセットで100%、94.95%、90.56%のROC曲線(AUC)の領域で最先端のパフォーマンスを達成する。

関連論文リスト

• $\textit{X}^2$-DFD: A framework for e${X}$plainable and e${X}$tendable Deepfake Detection [52.14468236527728]
  3つのコアモジュールからなる新しいフレームワークX2$-DFDを提案する。 最初のモジュールであるモデル特徴評価(MFA)は、MLLMに固有の偽機能の検出能力を計測し、これらの機能の下位ランキングを提供する。 第2のモジュールであるStrong Feature Strengthening (SFS)は、上位機能に基づいて構築されたデータセット上でMLLMを微調整することで、検出と説明機能を強化する。 第3のモジュールであるWak Feature Supplementing (WFS)は、外部専用の機能を統合することで、低階機能における微調整MLLMの機能を改善する。
  論文  参考訳（メタデータ） (2024-10-08T15:28:33Z)
• Towards More General Video-based Deepfake Detection through Facial Feature Guided Adaptation for Foundation Model [15.61920157541529]
  内部にリッチな情報をエンコードしたファンデーションモデルを適用することにより,新しいディープフェイク検出手法を提案する。 近年のパラメータ効率の良い微調整技術に触発されて,新しいサイドネットワーク型デコーダを提案する。 提案手法は,見知らぬディープフェイクサンプルの同定に優れた有効性を示し,顕著な性能向上を実現している。
  論文  参考訳（メタデータ） (2024-04-08T14:58:52Z)
• 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)
• Global Context Aggregation Network for Lightweight Saliency Detection of Surface Defects [70.48554424894728]
  我々は,エンコーダ・デコーダ構造上の表面欠陥を簡易に検出するためのGCANet(Global Context Aggregation Network)を開発した。 まず、軽量バックボーンの上部層に新しいトランスフォーマーエンコーダを導入し、DSA(Depth-wise Self-Attention)モジュールを通じてグローバルなコンテキスト情報をキャプチャする。 3つの公開欠陥データセットの実験結果から,提案したネットワークは,他の17の最先端手法と比較して,精度と実行効率のトレードオフを良好に達成できることが示された。
  論文  参考訳（メタデータ） (2023-09-22T06:19:11Z)
• Occlusion-Robust FAU Recognition by Mining Latent Space of Masked Autoencoders [23.39566752915331]
  顔面行動単位(FAUs)は、きめ細かい表情解析に重要である。 新しいアプローチは、マスク付きオートエンコーダ(MAE)の潜伏空間からの豊富な情報を活用し、FAU機能に変換する。 FAUは、通常の条件下での最先端の手法と同等の性能を達成できる。
  論文  参考訳（メタデータ） (2022-12-08T01:57:48Z)
• 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)
• FFR_FD: Effective and Fast Detection of DeepFakes Based on Feature Point Defects [9.568679090566262]
  DeepFakeの顔は、特に特定の顔領域において、実際の顔よりも特徴点が少ないことが示される。 画素レベルでの識別特徴を抽出するための特徴点検出記述子に着想を得て, 高速かつ高速なDeepFake検出のためのFrused Facial Region_Feature Descriptor (FFR_FD)を提案する。
  論文  参考訳（メタデータ） (2021-07-05T13:35:39Z)
• 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)
• Deep Diffusion Processes for Active Learning of Hyperspectral Images [3.9962751777898955]
  グラフ上の拡散過程と深層学習を組み合わせたハイパースペクトル画像(HSI)の能動的学習法を提案する。 深部変分オートエンコーダは高次元HSIからスムースに識別された特徴を抽出し、グラフ拡散プロセスに基づいてラベル付けクエリを作成する。
  論文  参考訳（メタデータ） (2021-01-08T19:38:54Z)
• Learning to Recognize Patch-Wise Consistency for Deepfake Detection [39.186451993950044]
  パッチワイド一貫性学習(PCL)という,このタスクのための表現学習手法を提案する。 PCLは、画像のソース機能の一貫性を測定し、複数の偽造方法に対する優れた解釈性と堅牢性で表現することを学びます。 7つの一般的なDeepfake検出データセットに対するアプローチを評価します。
  論文  参考訳（メタデータ） (2020-12-16T23:06:56Z)
• Fine-Grained Dynamic Head for Object Detection [68.70628757217939]
  本稿では,各インスタンスの異なるスケールからfpn特徴の画素レベルの組み合わせを条件付きで選択する,きめ細かい動的ヘッドを提案する。 実験は,いくつかの最先端検出ベンチマークにおける提案手法の有効性と有効性を示す。
  論文  参考訳（メタデータ） (2020-12-07T08:16:32Z)

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。